Um modelo de custo eficiente para minimização da energia consumida e do tempo de processamento de tarefas IoT em um ambiente Mobile Edge Computing

• Ano de defesa: 2020
• Autor(a) principal: Gross, João Luiz Grave
• Orientador(a): Geyer, Claudio Fernando Resin
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Internet das coisas; Consumo : Energia; Algoritmo : Escalonamento; Dispositivos móveis; Computação em nuvem
• Palavras-chave em Inglês: Mobile edge computing; Cost model; Green computing
• Link de acesso: http://hdl.handle.net/10183/211519

Com o avanço da quantidade de dispositivos móveis conectados à Internet, aplicações intensivas em dados e requisitos de QoS cada vez mais restritos, juntamente ao fato desses equipamentos serem alimentados por baterias com capacidade limitada, o consumo energético e a latência de resposta das aplicações para Internet das Coisas tornam-se um importante campo de pesquisa. A utilização da Cloud como única alternativa ao descarregamento de tarefas levanta dúvidas sobre sua efetividade neste cenário, visto a elevada latência das comunicações. Mobile Edge Computing (MEC) é uma arquitetura que introduz uma camada de computação intermediária entre os dispositivos finais e a Cloud. Ela proporciona às redes móveis recursos de Cloud Computing próximos ao usuário final, de modo que as aplicações dos dispositivos móveis possam descarregar suas tarefas, preservando seu nível de bateria e reduzindo a latência de resposta. Neste cenário é proposto um modelo de custo com diversidade de variáveis de consumo energético e tempo decorrido para a arquitetura MEC, com o objetivo de alocar as tarefas na melhor opção de custo disponível, visando reduzir tanto a energia total consumida pelo sistema como a latência total. O modelo de custo é implementado através do algoritmo de escalonamento TEMS (Time and Energy Minimization Scheduler) e validado com experimentos simulados. Os resultados mostram que é possível reduzir a energia consumida no sistema em até 51,61% e o tempo total decorrido em até 86,65% nos casos simulados com os parâmetros e características definidas em cada teste.