A model for distributed data aggregation in edge and cloud environments

• Autor(a) principal: Carvalho, Otávio Moraes de
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/189364
• topic: Computação em nuvem; Internet das coisas; Computação distribuida; Edge Computing; Distributed Computing; Internet of Things; Cloud Computing; Fog Computing

A internet das coisas é responsável pela geração de quantidades de dados cada vez maiores, oriundas de dispositivos que vão de sensores de smartphones até implementações de sensores em larga escala para cidades inteligentes. Os recursos de hardware dos dispositivos de edge computing e fog computing apresentam poder de processamento que no passado só era encontrado em recursos de computação em nuvem. O aumento da capacidade de processamento habilita a possibilidade de agregar dados na borda da rede, evitando tráfego de rede que anteriormente era necessário para transmitir os dados para a nuvem. Por outro lado, a capacidade de alavancar nodos de borda cada vez mais poderosos, para descentralizar o processamento e agregação de dados, ainda é um desafio significante tanto para a indústria quanto para a academia. Ainda que nodos de borda poderosos e grandes instalações de sensores estejam disponíveis hoje em dia, as frameworks e padrões de processamento necessários para esses perfis de dados ainda são material de ativa pesquisa. Nesse trabalho, é analisado o impacto de um modelo para agregação de dados em um conjunto de dados para redes de energia inteligentes de larga escala. Os resultados obtidos mostram que, para a aplicação de testes desenvolvida, através da utilização de agragação na borda da rede e janelas de mensagens, foi possível atingir taxas de agregação acima de 400 milhões de medidas por segundo. Estes resultados foram obtidos utilizando máquinas em 15 regiões geográficas distintas na plataforma Microsoft Azure, totalizando 1366 máquinas no maior cenário de avaliação.