ARTSIA: Escalabilidade de Aplicações para Sistemas Inteligentes de Transportes em um Ambiente de Computação em Neblina

• Thiago Medeiros UNIRIO
• Carlos Alberto Campos UNIRIO

DOI: https://doi.org/10.5753/sbesc_estendido.2020.13093

Resumo

Aumentar a eficiência em escalabilidade de aplicações é uma forma de melhorar a entrega de serviços para os consumidores finais. Este artigo propõe uma plataforma chamada ARTSIA (Architecture for Response Time Sensitive ITS Applications), que possui uma arquitetura para apoiar aplicações para Sistemas Inteligentes de Transportes com requisitos mais rígidos de latência e perdas de requisições utilizando computação em neblina. Visando garantir o mínimo de perdas possíveis em requisições oriundas da camada terminal, ARTSIA conta com a proposta de um algoritmo baseado nas redes neurais autorregressivas e em limiares adaptativos de escalabilidade, para analisar os recursos dos servidores em uma solução de computação em neblina e indicar o melhor momento para aumentar ou diminuir a capacidade da infraestrutura que suporta a aplicação de acordo com a demanda gerada em função das variações em sua carga de trabalho. Além disso, fazendo uso de técnicas e políticas de escalabilidade, este trabalho apresenta uma avaliação experimental de diferentes cenários para gerenciar a escalabilidade. Assim, uma com-paração foi realizada entre o algoritmo proposto e algumas técnicas da literatura e os resultados obtidos mostraram uma menor perda de requisições quando se usa o algoritmo proposto.

Palavras-chave: computação em neblina, computação na nuvem, escalabilidade de aplicações, sistema de transporte inteligente, limiares adaptativos

Referências

“População mundial deve chegar a 9,7 bilh˜oes de pessoas em 2050, diz relatório da onu,” https://nacoesunidas.org/populacao-mundial-devechegar-a-97-bilhoes-de-pessoas-em-2050-diz-relatorio-da-onu/amp/, accessed:2020-07-13.

A. M. Nagy and V. Simon, “Survey on traffic prediction in smart cities,” Pervasive and Mobile Computing, vol. 50, pp. 148–163, 2018.

M. Chaqfeh, N. Mohamed, I. Jawhar, and J. Wu, “Vehicular cloud data collection for intelligent transportation systems,” in 2016 3rd Smart Cloud Networks & Systems (SCNS). IEEE, 2016, pp. 1–6.

Z. Jiang, S. Zhou, X. Guo, and Z. Niu, “Task replication for deadlineconstrained vehicular cloud computing: Optimal policy, performance analysis, and implications on road traffic,” IEEE Internet of Things Journal, vol. 5, no. 1, pp. 93–107, 2017.

R. I. Meneguette, “A vehicular cloud-based framework for the intelligent transport management of big cities,” International Journal of Distributed Sensor Networks, vol. 12, no. 5, p. 8198597, 2016.

P. Cruz, F. F. da Silva, R. G. Pacheco, R. D. S. Couto, P. B. Velloso, M. E. M. Campista, L. H. M. K. Costa et al., “Sensingbus: Using bus lines and fog computing for smart sensing the city.” IEEE Cloud Comput., vol. 5, no. 5, pp. 58–69, 2018.

W. Zhang, Z. Zhang, and H.-C. Chao, “Cooperative fog computing for dealing with big data in the internet of vehicles: Architecture and hierarchical resource management,” IEEE Communications Magazine, vol. 55, no. 12, pp. 60–67, 2017.

Q. T. Minh, C. M. Tran, T. A. Le, B. T. Nguyen, T. M. Tran, and R. K. Balan, “Fogfly: A traffic light optimization solution based on fog computing,” in Proceedings of the 2018 ACM International Joint Conference and 2018 International Symposium on Pervasive and Ubiquitous Computing and Wearable Computers, 2018, pp. 1130–1139.

C. Mouradian, D. Naboulsi, S. Yangui, R. H. Glitho, M. J. Morrow, and P. A. Polakos, “A comprehensive survey on fog computing: Stateof- the-art and research challenges,” IEEE Communications Surveys & Tutorials, vol. 20, no. 1, pp. 416–464, 2017.

C.-L. Tseng and F. J. Lin, “Extending scalability of iot/m2m platforms with fog computing,” in 2018 IEEE 4th World Forum on Internet of Things (WF-IoT). IEEE, 2018, pp. 825–830.

F.-H. Tseng, M.-S. Tsai, C.-W. Tseng, Y.-T. Yang, C.-C. Liu, and L.- D. Chou, “A lightweight autoscaling mechanism for fog computing in industrial applications,” IEEE Transactions on Industrial Informatics, vol. 14, no. 10, pp. 4529–4537, 2018.

A. Zanni, S. Forsstrom, U. Jennehag, and P. Bellavista, “Elastic provisioning of internet of things services using fog computing: An experience report,” in 2018 6th IEEE International Conference on Mobile Cloud Computing, Services, and Engineering (MobileCloud). IEEE, 2018, pp. 17–22.

M. Aazam, S. Zeadally, and K. A. Harras, “Fog computing architecture, evaluation, and future research directions,” IEEE Communications Magazine, vol. 56, no. 5, pp. 46–52, 2018.

Y. Al-Dhuraibi, F. Paraiso, N. Djarallah, and P. Merle, “Elasticity in cloud computing: state of the art and research challenges,” IEEE Transactions on Services Computing, vol. 11, no. 2, pp. 430–447, 2017.

C. C. Byers, “Architectural imperatives for fog computing: Use cases, requirements, and architectural techniques for fog-enabled iot networks,” IEEE Communications Magazine, vol. 55, no. 8, pp. 14–20, 2017.

S. Taherizadeh, V. Stankovski, and M. Grobelnik, “A capillary computing architecture for dynamic internet of things: Orchestration of microservices from edge devices to fog and cloud providers,” Sensors, vol. 18, no. 9, p. 2938, 2018.

A. Tealab, “Time series forecasting using artificial neural networks methodologies: A systematic review,” Future Computing and Informatics Journal, vol. 3, no. 2, pp. 334–340, 2018.

A. Souza, N. Cacho, A. Noor, P. P. Jayaraman, A. Romanovsky, and R. Ranjan, “Osmotic monitoring of microservices between the edge and cloud,” in 2018 IEEE 20th International Conference on High Performance Computing and Communications; IEEE 16th International Conference on Smart City; IEEE 4th International Conference on Data Science and Systems (HPCC/SmartCity/DSS), 2018, pp. 758–765.

K. Li, “Quantitative modeling and analytical calculation of elasticity in cloud computing,” IEEE Transactions on Cloud Computing, 2017.