Due to the limited computing resources of drones, it is difficult to handle computation-intensive tasks locally, hence, fog-based computation offloading has been widely adopted. The effectiveness of an offloading operation, however, is determined by its ability to infer where the execution of code/data represents less computational effort for the drone, so that, by deciding where to offload correctly, the device benefits. Thus, this paper proposes MonDroneFog, a novel fog-based architecture that supports image offloading, as well as monitoring and storing the performance metrics related to the drone, wireless network, and cloudlet. It takes advantage of the main machine-learning algorithms to provide offloading decisions with high levels of accuracy, F1, and G-mean. We evaluate the main classification algorithms under our database and the results show that Multi-Layer Perceptron (MLP) and Logistic Regression classifiers achieve 99.64% and 99.20% accuracy, respectively. Under these conditions, MonDrone-Fog works well in dense forests when weather conditions are favorable and can be useful as a support system for SAR missions by providing a shorter runtime for image operations.
Resumo-Capacidade e eficiência energética são cruciais para as redes sem fio da próxima geração. Devido à densa implantação de BSs em HetNets, o consumo é de de 60% à 80% da energia total causando custos acentuados. Portanto, a indústria e os pesquisadores trabalham para reduzir o consumo de energia das HetNets. Com o objetivo de aumentar a eficiência energética, garantindo os requisitos de QoS, propomos o uso de algoritmo genético e algoritmo genético com desligamento de BSs. Os resultados das simulações demonstram que os algoritmos propostos têm melhor desempenho de eficiência energética do que o mecanismo de associação de usuários baseado em máxima potência. Palavras-Chave-HetNets, algoritmo genético, eficiência energética Abstract-Both capacity and energy efficiency are crucial for next-generation wireless networks. Hence, due to the dense deployment of BSs in HetNets, consumption is 60% to 80% of the total energy, causing steep costs. Therefore, industry and researchers are working to reduce the energy consumption of HetNets. In order to increase energy efficiency, guaranteeing the QoS requirements, we propose the use of a genetic algorithm with BS suspension mechanisms. The results of the simulations demonstrate that the proposed algorithm has a better performance in terms of energy efficiency compared to the user association mechanism based only on maximum SINR.
Apesar dos avanços recentes que tornaram o uso de UAVs (Unmanned Air Vehicles) em diversos cenários uma realidade, há vários desafios a serem enfrentados para explorar todo o seu potencial. O uso de Fog Computing se torna uma saı́da para auxiliar estes dispositivos móveis com energia e hardware limitados a terceirizar toda a capacidade de processamento para um recurso remoto na borda da rede. Este trabalho apresenta a avaliação de desempenho da técnica de offloading com uso de drone e servidor cloudlet em ambiente de fog computing para a transmissão e processamento de imagens através de algoritmo tradicional de detecção e reconhecimento facial em tempo real.
Apesar dos avanços de hardware nos dispositivos móveis, é sabido que estes ainda são limitados em termos de processamento, armazenamento e energia quando comparados aos desktops e servidores. O paradigma de Computação em Nuvem Móvel (MCC – Mobile Cloud Computing) permite estender os recursos computacionais e energéticos de dispositivos móveis através da utilização das técnicas de offloading. Porém, o offloading nem sempre trás ganhos de energia, uma vez que isso pode depender da tecnologia de acesso sem fio empregada. Este artigo apresenta uma avaliação de desempenho da técnica de offloading computacional em um ambiente de nuvem móvel. O estudo destaca o impacto na utilização da MCC via redes Wi-Fi (Wireless Fidelity) e 4G LTE (Long Term Evolution) na autonomia da bateria e no tempo de ocupação do processador do dispositivo móvel, ao utilizar offloading computacional.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.