Τα τελευταία χρόνια, παρατηρείται μια στροφή προς τη ≪μετανάστευση≫ των υπολογιστικών διεργασιών από απομακρυσμένους πόρους υπολογιστικού νέφους (cloud) στην άκρη του δικτύου (edge), ιδιαίτερα σε συσκευές Διαδικτύου των Πραγμάτων (IoT) που πλέον είναι ενσωματωμένες στην υπολογιστική υποδομή. Αυτή η μετανάστευση στοχεύει στην άμβλυνση του προβλήματος της μεταφοράς μεγάλων όγκων δεδομένων, μειώνοντας έτσι την κυκλοφορία του δικτύου και επιτρέποντας την υποστήριξη λήψης αποφάσεων σχεδόν σε πραγματικό χρόνο στο επίπεδο των αισθητήρων, καθώς τα δεδομένα τυγχάνουν επεξεργασίας κοντά στο σημείο όπου παράγονται. Ωστόσο, καθώς η υπολογιστική διαδικασία μεταφέρεται προς την άκρη της υποδομής, οι συσκευές γίνονται πιο επιρρεπείς σε σφάλματα και περιορισμένες όσον αφορά στους πόρους, όπως η ενέργεια, η υπολογιστική ισχύς, η μνήμη και η χωρητικότητα αποθήκευσης. Αυτοί οι περιορισμοί γίνονται κρίσιμοι, ειδικά με την εμφάνιση νέων εφαρμογών όπως η τηλεϊατρική φροντίδα και η παρακολούθηση κρίσιμων υποδομών, όπου η τήρηση αυστηρών προθεσμιών και η ικανοποίηση των απαιτήσεων των εφαρμογών και των υψηλών απαιτήσεων αξιοπιστίας είναι ζωτικής σημασίας για την αποφυγή της απορρύθμισης του συστήματος. Η παρούσα διδακτορική διατριβή υιοθετεί το υπολογιστικό μοντέλο άκρης/κόμβου/νέφους που χρησιμοποιείται συνήθως σε τέτοιες εφαρμογές και αντιμετωπίζει τις προαναφερθείσες προκλήσεις. Σε αντίθεση με τα παραδοσιακά μοντέλα υπολογιστικής άκρης (edge/fog computing), αυτή η αρχιτεκτονική ενσωματώνει συσκευές άκρης και κόμβου που λειτουργούν με μπαταρία στο κατώτερο επίπεδο, μαζί με διακομιστές νέφους στο ανώτερο επίπεδο. Οι κρίσιμες εφαρμογές άκρης/κόμβου/νέφους απαιτούν βέλτιστη και αξιόπιστη κατανομή και χρονοπρογραμματισμό των διεργασιών τους. Η διατριβή αυτή μοντελοποιεί αυτά τα προβλήματα χρησιμοποιώντας δυαδικό ακέραιο γραμμικό προγραμματισμό (BILP) και μικτό ακέραιο γραμμικό προγραμματισμό (MILP) για να παρέχει ακριβείς λύσεις, διαχειριζόμενη σημαντικές παραμέτρους όπως ο χρόνος εκτέλεσης, η κατανάλωση ενέργειας και η αξιοπιστία του συστήματος. Συγκεκριμένα, η διατριβή είναι δομημένη σε δύο κύρια μέρη: 1) την κατανομή διεργασιών και 2) τον χρονοπρογραμματισμό των διεργασιών στο υπολογιστικό μοντέλο άκρης/κόμβου/νέφους. Το πρώτο μέρος της διατριβής περιλαμβάνει καινοτόμα πλαίσια (frameworks) για τη βελτιστοποίηση της κατανομής των διεργασιών στην αρχιτεκτονική άκρης/κόμβου/νέφους, ενώ το δεύτερο μέρος εστιάζει όχι μόνο στο πού πρέπει να κατανεμηθούν οι διεργασίες, αλλά και στο πότε πρέπει να ξεκινήσει η εκτέλεση των διεργασιών σε κυβερνοφυσικά συστήματα (cyber-physical systems, CPS) άκρης/κόμβου/νέφους. Μέσω εκτεταμένων πειραματικών δοκιμών, αποδεικνύεται η ανώτερη απόδοση, η εφαρμοσιμότητα και η επεκτασιμότητα των προτεινόμενων μεθόδων.

In recent years, there has been a shift towards migrating computational tasks from remote cloud resources to the edge, particularly onto Internet of Things (IoT) devices that are now integrated within the computing infrastructure. This migration aims to alleviate the problem of transferring large volumes of data, thereby reducing network traffic and enabling near real-time decision support at the sensor level, as data are processed physically closer to where they are generated. However, as computation moves towards the edge of the infrastructure, the devices become more error-prone and limited in terms of resources, such as energy, computational power, memory, and storage capacity. These limitations become critical, especially with the rise of emerging applications such as tele-healthcare and critical infrastructure monitoring, where meeting strict deadlines, application requirements, and satisfying high-level reliability demands is crucial to avoid system disruptions. This Ph.D. thesis adopts the edge/hub/cloud computing paradigm commonly used in such emerging applications and addresses the aforementioned challenges. Unlike the traditional edge/fog computing models, this architecture incorporates battery-powered edge and hub devices at the bottom layer, alongside cloud servers at the top layer. Critical edge/hub/cloud applications demand optimal and reliable task allocation and scheduling. This thesis formulates these problems using binary integer linear programming (BILP) and mixed integer linear programming (MILP) to provide exact solutions, managing key metrics like latency, energy consumption, and reliability. Specifically, the thesis is divided into two main parts: 1) task allocation and 2) scheduling within the edge/hub/cloud computing paradigm. The first part introduces innovative approaches for optimizing the allocation of tasks in the edge/hub/cloud architecture, while the second part focuses not only on where tasks should be allocated but also on when tasks should start execution in edge/hub/cloud cyber-physical systems (CPS). Through extensive experimentation we demonstrate the superior performance, applicability, and scalability of the proposed approaches.

Thesis (Ph. D.) -- University of Cyprus, Faculty of Engineering, Department of Electrical and Computer Engineering, 2024.

The University of Cyprus Library holds the printed form of the thesis.

Number of sources in the bibliography: 125

Includes bibliographical references.