物联网系统中雾资源感知的任务卸载框架研究
1. 仿真场景设置
为了对不同算法进行比较和评估分析，设置了以下两种仿真场景：
| 设置编号 | 系统配置 | 比较算法 |
| ---- | ---- | ---- |
| #1 | 所有任务由雾节点和云处理，任务可拆分，λ = {1,2,3,4}，μ = {0.1,0.2,0.3,0.4,0.5} | TPRA, MaxRU, AFP, OFTOC, OFTOF |
| #2 | 所有任务仅由雾节点处理，任务可拆分，λ = {1,2,3,4}，μ = {0.1,0.2,0.3,0.4,0.5} | OFTOF, TPRA, MaxRU, POMT, POST |
2. 评估与分析
- 场景#1评估：
- 当采用设置#1的仿真场景时，分析了不同算法在服务请求率μ和强大雾节点稀缺性λ变化时的平均服务延迟。如预期的那样，基于云的解决方案（OFTOC）产生的延迟最长，因为数据从雾层传输到远程云服务器的通信任务延迟占主导。而OFTOF利用数据源（物联网现场传感器）附近的计算站（雾节点），相比OFTOC减少了平均延迟。但在高请求率（μ）和高雾资源稀缺度（λ）的情况下，这两种卸载方案的性能提升较小，因为这两个参数直接导致雾节点任务队列增加。
- 其他基于雾的卸载解决方案（TPRA、MaxRU和AFP）无论μ和λ如何变化，都能实现较低的延迟，这证实了雾计算平台在改善系统服务延迟方面的重要作用。特别是在较低的μ情况下，雾支持的计算系统性能提升更大。
- 当λ = 4时，若雾节点资源充足，所有雾节点
)
