Resumo: Os aplicativos móveis estão em constante evolução para melhorar a experiência do usuário e, como consequência, seus requisitos de qualidade de serviço (QoS) estão cada vez mais exigentes, principalmente os relacionados ao tempo de resposta. Além disso, geram um grande volume de dados, que pode ser processado para extrair informações valiosas. No entanto, o modelo atual de processamento, a computação em nuvem, não é adequado para várias aplicações, dada a alta latência na conectividade com os dispositivos finais, o que pode levar à violação de acordos de nível de serviço (SLA) das aplicações com restrições de tempo real. A computação em névoa endereça a limitação de provisão de baixa latência da computação em nuvem, estendendo os serviços computacionais da nuvem para mais perto dos usuários, oferecendo baixas latências, maior segurança, menor custo de largura de banda, economia de energia e maior velocidade. Esses benefícios tornam a computação em névoa uma tendência tecnológica atraente para várias aplicações, tais como realidade virtual 3D, indústria 4.0 e cidades inteligentes, incluindo telemedicina, telessaúde e transporte inteligente. No entanto, o bom funcionamento da próxima geração de aplicativos depende do desenvolvimento de mecanismos eficientes de provisionamento de QoS, os quais dão acesso à quantidade adequada de recursos exigidos para prover seus requisitos de QoS. Esta tese de doutorado propõe mecanismos de provisionamento de QoS para computação em névoa, que combinam diferenciação de serviços com técnicas de otimização clássicas e baseadas em inteligência artificial. Como primeiro passo, analisamos os requisitos de QoS de aplicações potenciais, agrupadas em sete categorias e introduzimos um modelo de Classe de Serviço (CoS) para computação em névoa. Depois, estabelecemos uma metodologia de classificação baseada em aprendizado de máquina para identificar a classe de serviço à qual os aplicativos que chegam à rede pertencem, a fim de facilitar o escalonamento de tarefas. Propomos dois algoritmos de escalonamento de tarefas baseados em programação linear inteira (PLI) e algoritmos de aproximação para minimizar o "makespan" das aplicações. Por fim, desenvolvemos três algoritmos multiobjetivo de escalonamento de tarefas para minimizar conjuntamente o "makespan" e o custo das aplicações, considerando seus requisitos de QoS. Esses experimentos compararam o desempenho obtido dos algoritmos empregando otimização, aproximação e aprendizado por reforço. Os resultados numéricos mostraram que o algoritmo de aprendizado por reforço supera os algoritmos de programação linear inteira e de aproximação em termos da otimalidade do escalonamento e do "makespan", especialmente em cenários extremos com cargas de rede variando de 60% a 95%, mantendo tempos de execução curtos. Por meio das soluções desenvolvidas nesta tese, pretendemos viabilizar serviços em névoa com QoS, reduzindo custos de gerenciamento para os administradores da névoa e melhorando a interação entre os usuários e os aplicativos da Internet Ver menos

Abstract: Internet applications running on mobile devices are constantly evolving to improve user experience. Consequently, the applications’ quality of service (QoS) requirements are becoming increasingly demanding, particularly those related to strict time requirements. Moreover, mobile applications generate a large amount of data that needs to be processed to extract valuable information. However, the traditional processing on Clouds is no longer adequate for real-time applications given the high latency in the connectivity between the Cloud and end devices, which may violate the Service Level Agreement (SLA) of the application. Fog computing addresses the latency limitation of Cloud Computing by bringing Cloud services closer to the user, supporting low latency, increased security, lower bandwidth cost, energy saving, and higher speed and data privacy. These benefits make Fog Computing an attractive technological trend for several applications in the near future, such as 3D virtual reality, industry 4.0, and smart cities, including telemedicine, telehealth, and intelligent transportation. However, the proper operation of the next generation of Fog applications depends on the development of efficient QoS provisioning mechanisms that allocate the resources demanded by applications according to their QoS requirements. This doctoral thesis proposes QoS provisioning mechanisms for Fog Computing that combine service differentiation using classical and artificial intelligence-based optimization techniques. As a first step, we analyzed the QoS requirements of potential applications and grouped them into seven well-defined categories, introducing a model of Class of Service (CoS) for Fog Computing. Then, we proposed a classifier based on Machine Learning (ML) to identify the class of service to which an application belongs to. Classifying and labeling the traffic arriving at the network edge removes the burden on the scheduler of analyzing the application’s QoS requirements and provides suitable treatment for each type of service. We then proposed two task scheduling algorithms based on Integer Linear Programming (ILP) and approximation algorithms to minimize the makespan of Fog applications. Finally, we developed three multi-objective task scheduling algorithms to jointly minimize the makespan and cost of the applications considering their QoS requirements. These experiments involved applications of all classes of services and compared the performance obtained by exact and approximated optimization and a solution based on reinforcement learning. Numerical results showed that the reinforcement learning algorithm overperforms the integer linear programming and approximation algorithms in terms of the optimality of the scheduling and makespan, especially under extreme scenarios with network loads ranging from 60% to 95%, yet keeping short execution times. The solutions developed in this thesis enable robust and flexible Fog computing, reducing management costs for network administrators while improving the interaction between users and Internet applications Ver menos