Loading...
Publication
Virtual sensor networks: collaboration and resource sharing
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 2.82 MB | Adobe PDF |
Advisor(s)
Abstract(s)
This thesis contributes to the advancement of the Sensing as a Service (SeaaS),
based on cloud infrastructures, through the development of models and
algorithms that make an efficient use of both sensor and cloud resources while
reducing the delay associated with the data flow between cloud and client
sides, which results into a better quality of experience for users. The first models
and algorithms developed are suitable for the case of mashups being managed
at the client side, and then models and algorithms considering mashups
managed at the cloud were developed. This requires solving multiple problems:
i) clustering of compatible mashup elements; ii) allocation of devices
to clusters, meaning that a device will serve multiple applications/mashups;
iii) reduction of the amount of data flow between workplaces, and associated
delay, which depends on clustering, device allocation and placement of workplaces.
The developed strategies can be adopted by cloud service providers
wishing to improve the performance of their clouds.
Several steps towards an efficient Se-aaS business model were performed.
A mathematical model was development to assess the impact (of resource
allocations) on scalability, QoE and elasticity. Regarding the clustering of
mashup elements, a first mathematical model was developed for the selection
of the best pre-calculated clusters of mashup elements (virtual Things), and
then a second model is proposed for the best virtual Things to be built (non
pre-calculated clusters). Its evaluation is done through heuristic algorithms
having such model as a basis. Such models and algorithms were first developed
for the case of mashups managed at the client side, and after they
were extended for the case of mashups being managed at the cloud. For the
improvement of these last results, a mathematical programming optimization
model was developed that allows optimal clustering and resource allocation
solutions to be obtained. Although this is a computationally difficult
approach, the added value of this process is that the problem is rigorously
outlined, and such knowledge is used as a guide in the development of better
a heuristic algorithm.
Esta tese contribui para o avanço tecnológico do modelo de Sensing as a Service (Se-aaS), baseado em infraestrutura cloud, através do desenvolvimento de modelos e algoritmos que resolvem o problema da alocação eficiente de recursos, melhorando os métodos e técnicas atuais e reduzindo os tempos associados `a transferência dos dados entre a cloud e os clientes, com o objetivo de melhorar a qualidade da experiência dos seus utilizadores. Os primeiros modelos e algoritmos desenvolvidos são adequados para o caso em que as mashups são geridas pela aplicação cliente, e posteriormente foram desenvolvidos modelos e algoritmos para o caso em que as mashups são geridas pela cloud. Isto implica ter de resolver múltiplos problemas: i) Construção de clusters de elementos de mashup compatíveis; ii) Atribuição de dispositivos físicos aos clusters, acabando um dispositivo físico por servir m´ múltiplas aplicações/mashups; iii) Redução da quantidade de transferência de dados entre os diversos locais da cloud, e consequentes atrasos, o que dependente dos clusters construídos, dos dispositivos atribuídos aos clusters e dos locais da cloud escolhidos para realizar o processamento necessário. As diferentes estratégias podem ser adotadas por fornecedores de serviço cloud que queiram melhorar o desempenho dos seus serviços.(…)
Esta tese contribui para o avanço tecnológico do modelo de Sensing as a Service (Se-aaS), baseado em infraestrutura cloud, através do desenvolvimento de modelos e algoritmos que resolvem o problema da alocação eficiente de recursos, melhorando os métodos e técnicas atuais e reduzindo os tempos associados `a transferência dos dados entre a cloud e os clientes, com o objetivo de melhorar a qualidade da experiência dos seus utilizadores. Os primeiros modelos e algoritmos desenvolvidos são adequados para o caso em que as mashups são geridas pela aplicação cliente, e posteriormente foram desenvolvidos modelos e algoritmos para o caso em que as mashups são geridas pela cloud. Isto implica ter de resolver múltiplos problemas: i) Construção de clusters de elementos de mashup compatíveis; ii) Atribuição de dispositivos físicos aos clusters, acabando um dispositivo físico por servir m´ múltiplas aplicações/mashups; iii) Redução da quantidade de transferência de dados entre os diversos locais da cloud, e consequentes atrasos, o que dependente dos clusters construídos, dos dispositivos atribuídos aos clusters e dos locais da cloud escolhidos para realizar o processamento necessário. As diferentes estratégias podem ser adotadas por fornecedores de serviço cloud que queiram melhorar o desempenho dos seus serviços.(…)
Description
Keywords
Internet das coisas Web das coisas Sensing as-a-service Cloud