Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39254Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Νίκου, Στέφανος | el |
| dc.date.accessioned | 2025-08-27T08:33:14Z | - |
| dc.date.available | 2025-08-27T08:33:14Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39254 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Fog Computing | en |
| dc.subject | Υπολογισμός Ομίχλης | el |
| dc.subject | Κατανομή Φόρτου Εργασίας | el |
| dc.subject | Αλγόριθμος Neighbor-Aware | |
| dc.subject | Αλγόριθμος Particle Swarm Optimization | |
| dc.subject | Διαχείριση Πόρων | |
| dc.subject | Έξυπνες Πόλεις | |
| dc.title | Κατανομή φόρτου εργασίας σε περιβάλλον fog computing | el |
| dc.title | Workload allocatio in a fog computing environment | en |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.generalDescription | Η παρούσα διπλωματική εργασία διερευνά το πρόβλημα της κατανομής φόρτου εργασίας σε περιβάλλοντα fog computing, προτείνοντας δύο συμπληρωματικές μεθόδους κατανομής: τη μέθοδο Neighbor-Aware και τη μέθοδο βασισμένη στον αλγόριθμο Particle Swarm Optimization (PSO). Αναπτύχθηκε το πρόγραμμα προσομοίωσης FogSim-NX για την αξιολόγηση των προτεινόμενων μεθόδων σε διαφορετικά σενάρια μεγέθους δικτύου και πλήθους εφαρμογών. | el |
| heal.classification | Fog Computing | |
| heal.dateAvailable | 2025-08-27T08:34:14Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2025-07 | - |
| heal.abstract | Η παρούσα διπλωματική εργασία διερευνά το πρόβλημα της κατανομής φόρτου εργασίας σε περιβάλλοντα fog computing, προτείνοντας δύο συμπληρωματικές μεθόδους κατανομής: τη μέθοδο Neighbor-Aware και τη μέθοδο βασισμένη στον αλγόριθμο Particle Swarm Optimization (PSO). Αναπτύχθηκε το πρόγραμμα προσομοίωσης FogSim-NX για την αξιολόγηση των προτεινόμενων μεθόδων σε διαφορετικά σενάρια μεγέθους δικτύου και πλήθους εφαρμογών. Η πειραματική αξιολόγηση έδειξε ότι η μέθοδος βασισμένη σε PSO επιτυγχάνει υψηλότερη ποιότητα κατανομής με 8-25% χαμηλότερη κατανάλωση ενέργειας, 12-31% μειωμένο λειτουργικό κόστος και σημαντικά βελτιωμένη απόδοση για εφαρμογές ευαίσθητες στην καθυστέρηση, με το κόστος όμως αυξημένης υπολογιστικής πολυπλοκότητας. Η μέθοδος Neighbor-Aware, αντίθετα, προσφέρει υπολογιστική αποδοτικότητα και ταχεία ανταπόκριση, καθιστώντας την καταλληλότερη για δυναμικά περιβάλλοντα με αυστηρούς χρονικούς περιορισμούς. Παρουσιάζεται επίσης μια θεωρητική μελέτη περίπτωσης fog computing σε έξυπνη πόλη, που αναδεικνύει την πρακτική εφαρμογή των προτεινόμενων μεθόδων και προτείνει υβριδικές προσεγγίσεις που συνδυάζουν τα πλεονεκτήματά τους. Η εργασία καταλήγει ότι η επιλογή μεθόδου κατανομής πρέπει να καθοδηγείται από τις συγκεκριμένες απαιτήσεις του περιβάλλοντος ανάπτυξης, με τους κόμβους μεσαίου επιπέδου (district fog) να προσφέρουν την καλύτερη αναλογία απόδοσης-κόστους για πολλές εφαρμογές. Οι προτεινόμενες μέθοδοι και το πλαίσιο FogSim-NX συμβάλλουν στην αποτελεσματικότερη διαχείριση πόρων σε κατανεμημένα συστήματα υπολογιστικού νέφους, εξισορροπώντας απόδοση, ενεργειακή αποδοτικότητα και λειτουργικό κόστος. | el |
| heal.abstract | This thesis explores the workload allocation problem in fog computing environments, proposing two complementary allocation methods: the Neighbor-Aware method and the Particle Swarm Optimization (PSO) based method. The FogSim-NX simulation framework was developed to evaluate the proposed methods across different network sizes and application loads. Experimental evaluation demonstrated that the PSO-based method achieves higher allocation quality with 8-25% lower energy consumption, 12-31% reduced operational cost, and significantly improved performance for latency-sensitive applications, albeit at the cost of increased computational complexity. The Neighbor-Aware method, conversely, offers computational efficiency and rapid response, making it more suitable for dynamic environments with strict time constraints. A theoretical case study of fog computing in a smart city environment is also presented, highlighting the practical application of the proposed methods and suggesting hybrid approaches that combine their advantages. The thesis concludes that the choice of allocation method should be guided by the specific requirements of the deployment environment, with mid-level nodes (district fog) offering the best performance-to-cost ratio for many applications. The proposed methods and the FogSim-NX framework contribute to more effective resource management in distributed cloud computing systems, balancing performance, energy efficiency, and operational cost. | en |
| heal.advisorName | Μαργαρίτη, Σπυριδούλα | el |
| heal.committeeMemberName | Στεργίου, Ελευθέριος | el |
| heal.committeeMemberName | Γκόγκος, Χρήστος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 93 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΠΤΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε. Νίκου Στέφανος (2025).pdf | 2.74 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
