image: RUDN mathematician and his colleagues from China, Egypt, Saudi Arabia, United Kingdom, and Qatar have developed an algorithm allowing the distribution of computing tasks between the IoT devices and the cloud in an optimal way. As a result, the power and time costs are reduced by about three times. view more
Credit: RUDN University
俄罗斯人民友谊 大学的数学家与来自英国、埃及、卡塔尔、中国和沙特阿拉伯的研究者一起编写了一种算法，可以让人们以最佳方式在物联网设备和云服务之间重新分配计算任务。该算法使所花费的精力和时间降低了约三倍。 结果发表在《大数据》杂志上。
随着技术和设备的进步，物联网 (IoT) 应用程序需要越来越多的计算能力。物联网设备需要处理的数据量可能非常大，因此将计算转移到云端是有益的。云计算使处理和存储数据变得更灵活。 但是转出计算——即将资源密集型计算任务转移到云端——需要额外的电耗和时间。此外，在信息传输期间，设备对病毒程序的拦截能力较差。俄罗斯人民友谊大学的数学家和他的同事们提出了一种算法，可以将上传数据所花费的时间和精力减少2.8倍。该模式还通过额外的编码在转出过程中对设备进行保护。
Ammar Muthanna（技术科学副博士，俄罗斯人民友谊大学高科技系统和信息通信建模科学中心的研究员）说到：“文献中出现了许多用于转储计算的方法和模式，以降低功耗、减少计算延迟并有效分配无线资源。然而，复杂的多用户无线系统中的最佳转出方式仍是一个热门问题。此外，数据从移动设备传输到外围设备时的安全性也是一个大问题。存在流量拦截、窃听、干扰的风险。这个问题很少被考虑。 因此，我们开发了一个模式来优化多用户系统中的性能，以在传输过程中保护数据”。
数学家在移动边缘计算概念的框架内开发了一个模式。该模式包含指定数量的联网设备——例如电话、计算机、智能设备和其他小工具——以及一个用于存储和处理数据的无线基站。每个设备必须执行一定数量的操作——有些是局域的，即独立的，有些应该转移到基站。 数学家以方程组的形式记下了计算和传输数据所花费的精力和时间。对于这个系统，研究人员解决了优化问题——也就是说，他们选择了一种算法，在设备和中心之间分配计算，从而使花费的精力和时间最小化。 为此，研究人员使用了机器学习。
每个设备都运行一个人脸识别应用程序。从计算的角度来看，这个任务由三个独立的过程组成——人脸搜索、图像预处理、分类。因此必须同时执行15 个计算过程。数学家将构建的模式与其他三种方法进行了比较——所有计算过程都在局域网执行、发送到基站或随机分布在这两站之间。事实证明，根据连接到系统的设备数量，新算法将计算成本降低了 2-4 倍，平均降低了 64.7%。
Ammar Muthanna（技术科学副博士，俄罗斯人民友谊大学高科技系统和信息通信建模科学中心的研究员）说到：“我们的模式中将添加一个新的有效压缩层。 此附加组件将压缩传输数据的大小，以缩短传输时间并提高整体系统性能。”
###
Journal
Big Data