عنوان مقاله:
نظارت بر محاسبات مه: بررسی، طبقه بندی و چالش های باز
Monitoring fog computing: A review, taxonomy and open challenges
سال انتشار: 2022
رشته: مهندسی کامپیوتر
گرایش: رایانش ابری - مهندسی الگوریتم و محاسبات
دانلود رایگان این مقاله:
مشاهده سایر مقالات جدید:
5. Analysis of fog monitoring tools based on proposed taxonomy
In this section we present a categorization of fog monitoring solutions based on the domains and categories defined in the taxonomy so researchers and developers can easily learn about the characteristics of these solutions. Due the relevant differences among cloud and fog computing, there was no guarantee that a monitoring solution developed to the cloud would function properly in a fog computing environment [66]. To confirm this, some recent works analyzed and tested open source and commercial cloud monitoring solutions, e.g., Nagios [67], Zabbix [68], DARGOS [69], PCMONS [70] and JCatascopia [71]. These solutions were confronted to fog computing requirements and challenges, and the result was that none of them is suitable for fog environments [7–10]. To overcome the monitoring challenges, some authors proposed specific monitoring solutions and architectures to fog computing environments and related paradigms. The next subsections describe each of them, approaching their characteristics according to the domains and categories that compose the Taxonomy presented in the last section.
5.1. PyMon The work of Großmann and Klug [72] proposes PyMon, a resource monitoring framework for ARM based single board computers (SBC), which aims to provide host and container utilization data in order to support a more efficient orchestration of containerized services. PyMon is built as an extension of Monit [73], a monitoring tool capable of inspecting Docker containers. Monit is a lightweight open-source tool that is developed for monitoring Unix based systems. It is delivered by Docker images and they run on architectures supporting Docker, namely x86_64, ARM and AARCH64.
Pymon has the purpose of performance monitoring. The solution uses a centralized topology to collect metric values from IoT devices at a periodic rate using push communication model. It is prepared to monitor infrastructure and platform layers and implements the aggregation of monitoring data. The received data is stored in a PostgreSQL database and can be displayed through a web interface.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
5. تجزیه و تحلیل ابزارهای پایش مه بر اساس طبقه بندی پیشنهادی
در این بخش، دسته‌بندی راه‌حل‌های نظارت بر مه را بر اساس حوزه‌ها و دسته‌های تعریف‌شده در طبقه‌بندی ارائه می‌کنیم تا محققان و توسعه‌دهندگان بتوانند به راحتی با ویژگی‌های این راه‌حل‌ها آشنا شوند. با توجه به تفاوت‌های مربوطه بین محاسبات ابری و مه، هیچ تضمینی وجود نداشت که راه‌حل نظارتی توسعه‌یافته برای ابر در یک محیط محاسباتی مه به درستی عمل کند [66]. برای تأیید این موضوع، برخی از کارهای اخیر راه‌حل‌های نظارت بر ابر تجاری و منبع باز را تجزیه و تحلیل و آزمایش کردند، به عنوان مثال، Nagios [67]، Zabbix [68]، DARGOS [69]، PCMONS [70] و JCatascopia [71]. این راه حل ها با الزامات و چالش های محاسباتی مه مواجه بودند و نتیجه این بود که هیچ یک از آنها برای محیط های مه مناسب نیستند [7-10]. برای غلبه بر چالش های نظارت، برخی از نویسندگان راه حل ها و معماری های نظارتی خاصی را برای محیط های محاسباتی مه آلود و پارادایم های مرتبط پیشنهاد کردند. بخش‌های فرعی بعدی هر یک از آنها را توصیف می‌کنند و با توجه به حوزه‌ها و دسته‌بندی‌هایی که طبقه‌بندی ارائه‌شده در بخش آخر را تشکیل می‌دهند، به ویژگی‌های آنها نزدیک می‌شوند.
5.1. PyMon کار Großmann و Klug [72] PyMon را پیشنهاد می‌کند، چارچوبی برای نظارت بر منابع برای رایانه‌های تک بردی مبتنی بر ARM (SBC)، که هدف آن ارائه داده‌های استفاده از میزبان و کانتینر به منظور پشتیبانی از هماهنگ‌سازی کارآمدتر خدمات کانتینری است. PyMon به عنوان توسعه Monit [73] ساخته شده است، یک ابزار نظارتی که قادر به بازرسی کانتینرهای Docker است. Monit یک ابزار متن باز سبک وزن است که برای نظارت بر سیستم های مبتنی بر یونیکس توسعه یافته است. این توسط تصاویر Docker ارائه می شود و آنها بر روی معماری های پشتیبانی از Docker، یعنی x86_64، ARM و AARCH64 اجرا می شوند.
