در چشم‌انداز در حال تحول فناوری، ترکیب معماری‌های میکروسرویس و محاسبات لبه نشان‌دهنده تغییر قابل توجهی به سمت راه‌حل‌های محاسباتی غیرمتمرکز، کارآمد و مقیاس‌پذیر است. هدف این پژوهش ابهام‌زدایی از پیچیدگی‌های پیاده‌سازی میکروسرویس‌ها در محیط‌های محاسباتی لبه، پرداختن به مزیت‌های ذاتی آنها، بهترین شیوه‌ها برای استقرار، چالش‌ها و پتانسیل برای کاربردهای پیشگامانه است[8].
درک عمیق
میکروسرویس‌ها که با اجزای کوچک و مستقل قابل استقرار مشخص می‌شوند، یک رویکرد دانه‌بندی به طراحی سیستم ارائه می‌دهند و برنامه‌ها را قادر می‌سازند تا به قطعات کوچکتر و قابل مدیریت تقسیم شوند. این معماری به ویژه برای محیط های محاسباتی لبه ای مناسب است، جایی که نزدیکی به منابع داده می تواند تأخیر را به شدت کاهش دهد و کارایی پردازش داده را افزایش دهد. در رایانش لبه، میکروسرویس ها نزدیک‌تر به منابع داده مانند دستگاه‌های IoT یا سرورهای محلی عمل می‌کنند و اطمینان می‌دهند که داده‌ها می‌توانند به صورت محلی پردازش شوند، در نتیجه نیاز به انتقال دائم داده به مراکز داده ابری متمرکز کاهش می‌یابد. این قابلیت پردازش محلی نه تنها پاسخگویی را افزایش می دهد، بلکه استفاده از پهنای باند را به میزان قابل توجهی کاهش می دهد و آن را به یک راه حل ایده آل برای برنامه های حساس به پهنای باند تبدیل می کند[1].
شناسایی بهترین شیوه ها
استقرار میکروسرویس ها در محیط های محاسباتی لبه ای نیازمند اتخاذ بهترین روش ها برای اطمینان از عملکرد و یکپارچگی روان آنها است. یکی از روش‌های حیاتی، کانتینری‌سازی است که یک برنامه کاربردی و وابستگی‌های آن را در یک کانتینر بسته‌بندی می‌کند و از محیط‌های سازگار در سراسر توسعه، آزمایش و تولید اطمینان می‌دهد. کانتینرها سبک وزن هستند و محیط اجرای کاملی را برای میکروسرویس ها فراهم می کنند و استقرار آنها را در سناریوهای محاسباتی لبه های متنوع تسهیل می کنند.
علاوه بر این، استفاده از Gateway های API نقش مهمی در مدیریت ارتباطات بین میکروسرویس ها ایفا می کند و به عنوان یک نقطه ورودی واحد عمل می کند که درخواست ها را به سمت خدمات مناسب هدایت می کند. این امر ارتباطات سرویس را تثبیت و ساده می کند و امنیت و مدیریت را افزایش می دهد[2].
نکته دیگر، اجرای خطوط لوله یکپارچه سازی/استقرار مستمر (CI/CD) است که فرآیندهای تحویل و استقرار نرم افزار را خودکار می کند. خطوط لوله CI/CD امکان به روز رسانی و نگهداری مکرر و قابل اعتماد میکروسرویس ها را فراهم می کند و تضمین می کند که آنها می توانند به سرعت با الزامات جدید سازگار شوند یا از خرابی ها بازیابی شوند.
نگاهی به چالش ها
علیرغم مزایای ظاهری، استقرار میکروسرویس ها در محیط های محاسباتی لبه ای بدون چالش نیست. تأخیر شبکه، اگرچه با نزدیکی به منابع داده کاهش می یابد، اما همچنان می تواند به طور قابل توجهی متفاوت باشد و بر پاسخگویی سرویس تأثیر بگذارد. علاوه بر این، همگام سازی داده ها در میان میکروسرویس های توزیع شده به امری پیچیده تبدیل می شود.
منابع محدود موجود در محیط‌های محاسباتی لبه‌ای نیز محدودیت‌هایی را بر طراحی و عملکرد میکروسرویس‌ها تحمیل می‌کند . چالش، توسعه خدمات سبک وزن و در عین حال کارآمد است که بتواند در این محدوده ها بدون به خطر انداختن عملکرد عمل کند.
بررسی موارد استفاده از محاسبات لبه
چندین مورد استفاده از ترکیب قدرتمند میکروسرویس ها و محاسبات لبه را در ادامه توضیح میدهیم. به عنوان مثال، در شهرهای هوشمند، میکروسرویس ها می توانند داده های حسگرها را در زمان واقعی پردازش کنند، جریان ترافیک را مدیریت کنند یا شرایط محیطی را نظارت کنند. در بخش مراقبت‌های بهداشتی، محاسبات لبه می‌تواند نظارت از راه دور بیمار را با میکروسرویس‌هایی که داده‌ها را در محل تجزیه و تحلیل می‌کنند تا بازخورد یا هشدارهای فوری را ارائه دهند، فعال کند.
بهینه سازی استفاده از منابع
بهینه سازی استفاده از منابع در محیط های لبه بسیار مهم است. تکنیک‌هایی مانند تخصیص پویای منابع، که در آن منابع بر اساس تقاضا تخصیص می‌یابد، و هماهنگ‌سازی کارآمد میکروسرویس می‌تواند عملکرد را به‌طور قابل‌توجهی افزایش دهد و تضمین کند که منابع هدر نمی‌روند و در صورت نیاز در دسترس هستند.
ابتکارات پژوهشی و مشارکتی
مسیر رو به جلو شامل ابتکارات تحقیقاتی مشترک با تمرکز بر تکنیک های ارکستراسیون پیشرفته برای مدیریت میکروسرویس ها در محیط های لبه است. این شامل بررسی استراتژی‌هایی برای هماهنگی پویا، تضمین تعادل بار بهینه، کشف خدمات کارآمد، و مقیاس‌بندی خودکار بر اساس تقاضای بلادرنگ است.
در نتیجه، ادغام میکروسرویس‌ها در محیط‌های محاسباتی لبه، قلمریی از احتمالات را باز می‌کند و راه‌حل‌های محاسباتی مقیاس‌پذیر، کارآمد و پاسخگو را ممکن می‌سازد. با درک بهترین شیوه‌ها، پرداختن به چالش‌ها، و بررسی مستمر موارد استفاده جدید و استراتژی‌های بهینه‌سازی، می‌توانیم پتانسیل کامل این ترکیب قدرتمند را باز کنیم و راه را برای راه‌حل‌های فناوری نوآورانه‌تر و موثرتر را در آینده هموار کنیم.
چشم انداز فناوری همیشه در حال تحول است و در خط مقدم این تکامل، ادغام معماری میکروسرویس ها در محیط های محاسباتی لبه قرار دارد. هدف این ترکیب، پاسخگویی به تقاضای رو به رشد برای راه‌حل‌های محاسباتی مقیاس‌پذیر، انعطاف‌پذیر و کارآمد است که می‌تواند داده‌ها را نزدیک‌تر به منبع پردازش کند، بنابراین تأخیر، استفاده از پهنای باند را کاهش می‌دهد و پردازش بلادرنگ داده را تسهیل می‌کند. معرفی میکروسرویس ها به محاسبات لبه، پارادایم جدیدی را در نحوه توسعه، استقرار و مدیریت برنامه‌ها در سراسر اکوسیستم محاسباتی توزیع شده، منعکس می‌کند. این پژوهش به همگرایی این دو فناوری می‌پردازد، هم‌افزایی بین میکروسرویس‌ها و محاسبات لبه را بررسی می‌کند، چالش‌ها و فرصت‌هایی را که ارائه می‌دهد، و روش‌هایی را که می‌توانند پتانسیل آنها را به حداکثر برسانند، روشن می‌کند[3].
هم افزایی بین میکروسرویس ها و محاسبات لبه
در هسته خود، معماری میکروسرویس ها در مورد تجزیه برنامه های کاربردی به سرویس های کوچکتر و به طور مستقل قابل استقرار است که هر کدام فرآیند منحصر به فرد خود را اجرا می کنند و از طریق مکانیسم های سبک وزن ارتباط برقرار می کنند. این فلسفه طراحی ذاتاً ماژولار است و امکان توسعه سریع، آزمایش و استقرار اجزای جداگانه را بدون تأثیرگذاری بر برنامه کلی فراهم می کند. این طبیعت ماژولار به خوبی با محاسبات لبه جفت می شود، یک الگوی محاسباتی توزیع شده که محاسبات و ذخیره سازی داده ها را به مکان مورد نیاز نزدیک می کند تا زمان پاسخگویی را بهبود بخشد و پهنای باند را کاهش دهد.
هم افزایی بین میکروسرویس ها و محاسبات لبه از هدف مشترک آنها برای افزایش پاسخگویی و کارایی سیستم ناشی می شود. میکروسرویس‌ها انعطاف‌پذیری و مقیاس‌پذیری را ارائه می‌دهند که محاسبات لبه برای رسیدگی به بارهای کاری و نیازمندی‌های مختلف به صورت پویا به آن نیاز دارد. با استقرار میکروسرویس‌ها در لبه، سازمان‌ها می‌توانند داده‌ها را در زمان واقعی پردازش و تجزیه و تحلیل کنند و تصمیمات فوری را بدون تأخیر مربوط به ارسال داده‌ها به ابر مرکزی یا مرکز داده اتخاذ کنند. این ترکیب به ویژه در سناریوهایی که نیاز به پردازش سریع و محلی دارند، مانند برنامه های کاربردی اینترنت اشیا ، شهرهای هوشمند، وسایل نقلیه خودران و تجزیه و تحلیل بلادرنگ مفید است[4].
بهترین شیوه ها
برای استفاده موفقیت‌آمیز از مزایای میکروسرویس‌ها در محاسبات لبه، رعایت بهترین شیوه‌هایی که استقرار و عملکرد کارآمد آنها را تضمین می‌کند بسیار مهم است. کلیدی در میان این موارد، کانتینری‌سازی است که محیطی سبک وزن و سازگار را برای میکروسرویس‌ها فراهم می‌کند و استقرار آنها را در دستگاه‌ها و پلت‌فرم‌های مختلف لبه تسهیل می‌کند. به طور مشابه، استفاده از دروازه‌های API یک رابط یکپارچه برای ارتباطات سرویس ارائه می‌دهد که تعاملات بین میکروسرویس‌ها و مصرف‌کنندگان آنها را ساده می‌کند.
علاوه بر این، اجرای خطوط لوله یکپارچه سازی/استقرار مستمر (CI/CD) برای حفظ چابکی میکروسرویس ها ، امکان به روز رسانی سریع و اطمینان از قابلیت اطمینان و امنیت آنها ضروری است. این شیوه‌ها پایه و اساس یک استراتژی میکروسرویس موفق در محاسبات لبه را تشکیل می‌دهند و سازمان‌ها را قادر می‌سازند تا به طور کامل از مزایای این معماری استفاده کنند[10,12].
چالش ها و فرصت ها
در حالی که ادغام میکروسرویس ها و محاسبات لبه مزایای قابل توجهی را ارائه می دهد، چالش های منحصر به فردی را نیز به همراه دارد، که شامل مدیریت پیچیدگی سیستم های توزیع شده، اطمینان از سازگاری داده ها در پایگاه های داده توزیع شده، و مقابله با متغیر بودن شرایط شبکه است. علاوه بر این، محیط‌های لبه اغلب دارای منابع محدودی هستند که توسعه میکروسرویس‌های سبک وزن را که برای چنین محدودیت‌هایی بهینه شده‌اند، ضروری می‌سازد[16].
با این حال، این چالش ها فرصت هایی برای نوآوری نیز ایجاد می کنند. به عنوان مثال، آنها پیشرفت ابزارها و تکنیک های جدید ارکستراسیون را برای مدیریت میکروسرویس ها در محیط های لبه، بهبود استفاده از منابع و اطمینان از انعطاف پذیری سیستم هدایت می کنند. علاوه بر این، نیاز به غلبه بر این موانع، توسعه استانداردها و بهترین شیوه‌ها را برای محاسبات لبه مبتنی بر میکروسرویس تحریک می‌کند و اکوسیستم منسجم‌تری را تقویت می‌کند
موارد استفاده: تحقق پتانسیل
بررسی موارد استفاده خاص از میکروسرویس ها در محاسبات لبه، پتانسیل تحول آفرین این ادغام را نشان می دهد. از افزایش کارایی شهرهای هوشمند از طریق پردازش داده‌های بلادرنگ تا توانمندسازی دستگاه‌های IoT برای ارائه بینش فوری، برنامه‌های کاربردی بسیار گسترده و متنوع هستند. در این زمینه‌ها، میکروسرویس می‌توانند به طور چشمگیری پاسخ‌دهی و قابلیت اطمینان سیستم‌ها را بهبود بخشند، تجربیات کاربر پیشرفته‌تری را ارائه دهند و خدمات جدیدی را که قبلا غیرعملی بودند، فعال کنند.
پیشبرد ارکستراسیون و بهینه سازی منابع
با نگاهی به آینده، تکامل مداوم میکروسرویس ها در محاسبات لبه بر پیشرفت تکنیک های ارکستراسیون و بهینه سازی استفاده از منابع متمرکز خواهد شد. با توسعه ابزارهای پیچیده تر برای مدیریت پویا ریزسرویس ها ، سازمان ها می توانند اطمینان حاصل کنند که منابع به طور موثر تخصیص داده می شوند، خدمات متعادل و مقیاس مناسب هستند و سیستم ها در مواجهه با شکست انعطاف پذیر می مانند.
در نتیجه، ادغام معماری میکروسرویس ها با محاسبات لبه نشان دهنده پیشرفت قابل توجهی در زمینه محاسبات توزیع شده است. این ترکیب نوید راه حل های محاسباتی پاسخگوتر، کارآمدتر و انعطاف پذیرتر را ارائه می دهد که قادر به پردازش داده ها با سرعت و مقیاس بی سابقه هستند. با پذیرش بهترین شیوه‌ها، پرداختن به چالش‌های ذاتی و بررسی موارد استفاده جدید، ما در آستانه باز کردن پتانسیل کامل این ادغام فناوری قدرتمند ایستاده‌ایم و زمینه را برای آینده راه‌حل‌های محاسباتی نوآورانه و تاثیرگذار فراهم می‌کنیم[5].
The Role of Microservice Approach in Edge Computing: Opportunities, Challenges, and Research Directions
فرصت ها، چالش ها و جهت گیری های تحقیق
بیان مشکل
تحقیقات معاصر چالش مهمی را در استقرار میکروسرویس‌ها در چارچوب‌های محاسباتی لبه شناسایی می‌کند: نیاز به افزایش کارایی محاسباتی، مقیاس‌پذیری و پاسخ‌دهی در محیط‌های توزیع‌شده. محققان بر مبارزه با تأخیر بالا، تخصیص ناکافی منابع، و مدیریت مؤثر خدمات غیرمتمرکز تأکید می‌کنند که مانع اجرای عملی میکروسرویس‌ها در سناریوهای محاسبات لبه‌ای می‌شود و مانع پیشرفت و کاربرد فناوری بالقوه می‌شود.
روش تحقیق و راه حل پیشنهادی
مطالعات غالب معمولاً یک رویکرد ترکیبی را اتخاذ می‌کنند که تجزیه و تحلیل کیفی را با معیارهای کمی ترکیب می‌کند. راه حل ها بر توسعه کانتینرهای سبک وزن برای سهولت استقرار در محیط های لبه متنوع تمرکز دارند. Kubernetes به عنوان یک ابزار ترجیحی برای تنظیم این کانتینرها ظاهر می شود و راه حلی برای مدیریت پویا چرخه حیات میکروسرویس ها ارائه می دهد . سایر روش‌های پیشنهادی شامل استفاده از الگوریتم‌های پیش‌بینی پیشرفته برای تخصیص منابع هوشمند و استفاده از دروازه‌های API برای ارتباطات میکروسرویس کارآمد است .
نوآوری و تمایز
نوآوری در پیشنهادات اخیر در استفاده از الگوریتم‌های هوش مصنوعی برای تنظیمات پیش‌بینی‌کننده و خودمختار سیستم، با هدف بهبود بهره‌وری منابع و پاسخگویی خدمات در زمان واقعی نهفته است. این رویکرد از روش‌های سنتی، تخصیص منابع ایستا و مقیاس‌بندی دستی متفاوت است، و معماری‌های میکروسرویس سازگارتر و انعطاف‌پذیرتری را ارائه می‌کند که برای مناظر محاسباتی لبه‌های فرار طراحی شده است. علاوه بر این، ادغام فناوری بلاک چین برای افزایش امنیت و اعتماد در سیستم‌های توزیع‌شده، مسیر جدیدی را در تضمین یکپارچگی داده‌ها و ارتباطات ایمن بین میکروسرویس‌ها نشان می‌دهد .
نتایج
نتایج تجربی کاهش قابل توجهی در تأخیر سرویس و افزایش مقیاس پذیری استقرار میکروسرویس در محیط های لبه را برجسته می کند. پیاده‌سازی‌ها بهبودهایی را در کارایی عملیاتی گزارش کردند، با قابلیت‌های مقیاس‌بندی خودکار که سیستم‌ها را قادر می‌سازد تا به صورت پویا با بارهای کاری در نوسان تنظیم شوند، و پتانسیلی را برای کاربرد در دنیای واقعی در بخش‌هایی مانند مراقبت‌های بهداشتی، شهرهای هوشمند و اینترنت اشیا نشان می‌دهند [14,19].
افق های تحقیقاتی باز و ضعف ها و محدودیت ها
علیرغم این پیشرفت‌ها، تحقیقات بر چالش‌های مداوم، از جمله نگرانی‌های امنیتی ذاتی در معماری‌های توزیع‌شده و پیچیدگی‌های تضمین قابلیت همکاری یکپارچه در میان دستگاه‌ها و پلت‌فرم‌های ناهمگن در اکوسیستم‌های لبه تاکید می‌کند. اتکای شدید به الگوریتم‌های پیچیده برای عملیات مستقل، سؤالاتی را در مورد استحکام و تحمل خطا در چنین سیستم‌هایی در شرایط استثنایی ایجاد می‌کند و یک حوزه اولیه را برای بررسی‌های آینده ارائه می‌کند.
Microservice Based Scalable IoT Architecture for Device Interoperability
بیان مشکل
در زمینه رو به رشد اینترنت اشیا ( IoT )، یک مسئله فراگیر فقدان یک معماری استاندارد و مقیاس پذیر است که از قابلیت همکاری دستگاه در اکوسیستم های مختلف پشتیبانی می کند. این چالش با افزایش حجم و تنوع دستگاه های اینترنت اشیا ، که هر کدام از پروتکل های ارتباطی و فرمت های داده متفاوتی استفاده می کنند، تشدید می شود. این عدم اتحاد یکپارچه سازی یکپارچه را مختل می کند و مانع توسعه سیستم های منسجم و هوشمند می شود که می توانند به طور کامل از داده ها و عملکردهای این دستگاه های متصل به هم استفاده کنند[2].
روش تحقیق و راه حل پیشنهادی
روش‌های پژوهشی رایج به سمت یک رویکرد علم طراحی می‌چرخند و معماری مبتنی بر ریزسرویس را به عنوان راه‌حل پیشنهاد می‌کنند. این چارچوب شامل تجزیه سیستم‌های IoT یکپارچه سنتی به سرویس‌های گرانول و آزادانه است که می‌توانند از طریق واسط‌های کاملاً تعریف شده ارتباط برقرار کنند. هر میکروسرویس برای انجام یک کار خاص یا مدیریت یک نوع دستگاه خاص طراحی شده است که ماژولار بودن و توسعه پذیری را تضمین می کند. چنین رویکردی امکان استقرار سرویس‌ها را در پلتفرم‌ها و دستگاه‌های مختلف فراهم می‌کند و قابلیت همکاری دستگاه را تقویت می‌کند و در عین حال مقیاس‌پذیری را حفظ می‌کند[19].
نوآوری و تمایز
میکروسرویس پیشنهادی با مکانیسم‌های کشف و ثبت دستگاه پویا متمایز می‌شود، که افزودن یکپارچه و ادغام دستگاه‌های جدید در اکوسیستم اینترنت اشیا را تسهیل می‌کند . برخلاف معماری‌های مرسوم که بر پیکربندی‌های ایستا و از پیش تعریف‌شده تکیه می‌کنند، این مدل بر سازگاری و مقیاس‌بندی خدمات مستقل تأکید دارد. علاوه بر این، به کارگیری فناوری‌های کانتینری‌سازی مانند داکر، استقرار و عملیات مداوم سرویس را در محیط‌های ناهمگن تضمین می‌کند، و این تحقیق را از کارهای قبلی که فاقد تمرکز بر یکنواختی استقرار و انعطاف‌پذیری عملیاتی هستند، جدا می‌کند.
نتایج
استقرار اولیه معماری پیشنهادی پیشرفت های قابل توجهی را در مقیاس پذیری و انعطاف پذیری سیستم نشان داده است. نتایج حاکی از ادغام ساده‌تر دستگاه‌ها و سرویس‌های IoT متنوع است، با شواهد تجربی که به کاهش زمان یکپارچه‌سازی و افزایش استحکام سیستم در برابر سناریوهای ناهمگونی و خرابی دستگاه اشاره دارد.
افق های تحقیقاتی باز و ضعف ها و محدودیت ها
در حالی که بررسی معماری‌های مبتنی بر ریزسرویس برای قابلیت همکاری دستگاه‌های IoT مسیر امیدوارکننده‌ای را نشان می‌دهد، چالش‌های باز باقی می‌مانند، به ویژه در مورد امنیت و حریم خصوصی. ماهیت توزیع شده میکروسرویس ها پیچیدگی هایی را در ایمن سازی ارتباطات در میان سرویس ها ایجاد می کند. علاوه بر این، مدیریت چرخه حیات و وابستگی‌های تعداد زیادی از ریزسرویس‌ها چالش‌های عملیاتی را ایجاد می‌کند و زمینه‌هایی را برای تحقیقات و بهبود آینده نشان می‌دهد.
Microservice Based Edge Computing Architecture for Internet of Things
بیان مشکل
اینترنت اشیا (IoT) نحوه تعامل ما با دنیای فیزیکی را متحول می کند، اما با چالش های مهمی روبرو است. یکی از مسائل اصلی مدیریت حجم عظیم داده های تولید شده توسط دستگاه های IoT و اطمینان از پردازش و پاسخ به موقع است. معماری‌های رایانش ابری سنتی با محدودیت‌های تاخیر و پهنای باند دست و پنجه نرم می‌کنند، در نتیجه مانع از تجزیه و تحلیل بلادرنگ و اقداماتی می‌شوند که در بسیاری از برنامه‌های اینترنت اشیا، مانند رانندگی مستقل و شهرهای هوشمند، حیاتی هستند[2,3].
روش تحقیق و راه حل پیشنهادی
این تحقیق یک معماری مبتنی بر میکروسرویس را که در محیط‌های محاسباتی لبه‌ای به‌عنوان راه‌حلی برای چالش‌های پیش روی سیستم‌های IoT مستقر شده است، بررسی می‌کند. این روش شامل تجزیه برنامه های پیچیده به واحدهای کوچکتر و مستقل (سرویس های میکرو) است که می توانند در نزدیکی منبع داده - در لبه شبکه - مستقر شوند. هدف این رویکرد استفاده از تأخیر کم محاسبات لبه و مزایای پردازش داده های محلی، ارائه یک معماری مقیاس پذیر و انعطاف پذیر است که می تواند نیازهای پویا برنامه های IoT را برآورده کند.
نوآوری و تمایز
راه حل پیشنهادی با ترکیب مدولار بودن و چابکی ریزسرویس ها با ماهیت توزیع شده محاسبات لبه، خود را متمایز می کند. برخلاف معماری‌های یکپارچه مرسوم یا مدل‌های ابر محور، این تحقیق یک چارچوب غیرمتمرکز را معرفی می‌کند که سرعت پردازش داده‌ها را بهینه می‌کند و تأخیر را به حداقل می‌رساند. این نوآوری در به کارگیری اصول میکروسرویس، مانند استقلال سرویس و مقیاس بندی پویا، به طور مستقیم در محیط لبه نهفته است که سیستم های اینترنت اشیا را پاسخگوتر و کارآمدتر می کند.
نتایج
پیاده‌سازی معماری محاسبات لبه مبتنی بر میکروسرویس پیشرفت‌های قابل‌توجهی در سرعت پردازش داده و مقیاس‌پذیری سیستم نشان داد. تجزیه و تحلیل بلادرنگ و قابلیت های تصمیم گیری برنامه های کاربردی اینترنت اشیا به طور قابل توجهی افزایش یافته است و پتانسیل معماری را برای برآورده کردن نیازهای در حال تحول اکوسیستم اینترنت اشیا نشان می دهد.
افق های تحقیقاتی باز و نقاط ضعف
این تحقیق در حالی که امیدوارکننده است، افق های متعددی را برای کاوش بیشتر باز می کند، مانند پروتکل های امنیتی در یک محیط توزیع شده و سازگاری بین پلتفرم های میکروسرویس ها. یکی از محدودیت های ذکر شده پیچیدگی در مدیریت تعداد زیادی از ریزسرویس های توزیع شده است، به ویژه در یک محیط لبه پویا، که چالش هایی را در ارکستراسیون و تخصیص منابع ایجاد می کند.
Investigations of Microservice Architecture in Edge Computing Environment
بیان مشکل سیستم‌های IoT مدرن نیازمند پردازش داده‌های بلادرنگ و تأخیر بسیار کم هستند، چالش‌هایی که با ماهیت متمرکز محاسبات ابری تشدید می‌شوند. این یک شکاف در مدیریت کارآمد این خواسته ها، به ویژه برای برنامه های کاربردی لبه محور را برجسته می کند.[4]
روش تحقیق و راه حل پیشنهادی این مطالعه از معماری میکروسرویس در چارچوب محاسبات لبه حمایت می کند. با استقرار سرویس‌های سبک وزن و مستقل نزدیک‌تر به منابع داده، هدف آن به حداقل رساندن تأخیر و افزایش سرعت پردازش داده‌ها است که به طور خاص برای محیط‌های محاسباتی لبه‌ای طراحی شده است.
نوآوری و تمایز برخلاف مدل‌های سنتی ابر محور، این رویکرد بر پردازش غیرمتمرکز داده تأکید دارد. ادغام جدید میکروسرویس ها در محاسبات لبه به طور منحصر به فردی به مقیاس پذیری و پاسخگویی مورد نیاز برای برنامه های پیشرفته اینترنت اشیا می پردازد و سابقه جدیدی را برای طراحی سیستم ایجاد می کند.
نتایج یافته‌های اولیه کاهش قابل‌توجهی در تأخیر، در کنار بهبود مقیاس‌پذیری و انعطاف‌پذیری در عملیات سیستم را نشان می‌دهد. این امر از ماندگاری معماری در برآوردن نیازهای سختگیرانه سیستم های اینترنت اشیا نسل بعدی پشتیبانی می کند.
افق‌های تحقیقاتی باز و محدودیت‌ها کار آینده ممکن است چارچوب‌های امنیتی پیشرفته و هماهنگ‌سازی خدمات کارآمدتر را در لبه بررسی کند. محدودیت های فعلی شامل پیچیدگی مدیریت خدمات توزیع شده و تنگناهای بالقوه در زیرساخت شبکه است.
Design and Implement of Microservice System For Edge Computing
بیان مشکل افزایش در دستگاه‌ها و برنامه‌های IoT نیازمند معماری‌هایی است که بتوانند داده‌ها را نزدیک‌تر به منبع پردازش کنند و تأخیر را کاهش دهند. روش‌های محاسبات متمرکز سنتی برای نیازهای محاسباتی نوظهور ناکافی هستند و راه‌حل‌های نوآورانه را می‌طلبند.
روش تحقیق و راه حل پیشنهادی این مطالعه به بررسی طراحی و پیاده سازی یک سیستم میکروسرویس متناسب با محاسبات لبه می پردازد. با تقسیم برنامه‌ها به سرویس‌های کوچکتر و مستقل، مدلی را پیشنهاد می‌کند که انعطاف‌پذیری و سرعت اجرا را در لبه شبکه افزایش می‌دهد.
نوآوری و تمایز این رویکرد با یکپارچه‌سازی اصول ریزسرویس‌ها به‌طور مستقیم با چارچوب‌های محاسباتی لبه‌ای، از سیستم‌های معمولی جدا می‌شود. این ترکیب منحصربه‌فرد نوید کاهش مشکلات تاخیر ذاتی در مدل‌های متمرکز را می‌دهد و یک معماری مقیاس‌پذیر و پویا مناسب برای ماهیت پراکنده استقرار اینترنت اشیا معرفی می‌کند.[5]
نتایج نتایج اولیه حاکی از بهبود قابل توجهی در زمان پاسخگویی سیستم و افزایش توانایی مدیریت دستگاه‌های IoT در مقیاس بزرگ در مکان‌های توزیع‌شده است که مزایای عملی این رویکرد یکپارچه را نشان می‌دهد.
افق تحقیقات باز و محدودیت ها در حالی که امیدوار کننده است، این مدل پیچیدگی هایی را در مدیریت خدمات و امنیت در لبه معرفی می کند. پیش‌بینی می‌شود که تحقیقات آینده برای اصلاح مکانیسم‌های ارکستراسیون و تقویت پروتکل‌های امنیتی، با رفع این محدودیت‌های فعلی، انجام شود[8].
Architecture for IoT applications based on reactive microservices: A performance evaluation
بیان مشکل گسترش برنامه های کاربردی اینترنت اشیا نیازمند معماری هایی است که می توانند رویدادهای ناهمزمان، توان عملیاتی بالا و تأخیر کم را مدیریت کنند. معماری های موجود اغلب در مدیریت موثر این الزامات به دلیل محدودیت های طراحی ذاتی خود کوتاهی می کنند.
روش تحقیق و راه حل پیشنهادی این تحقیق از یک روش ارزیابی عملکرد برای بررسی کارایی میکروسرویس‌های واکنشی در برنامه‌های IoT استفاده می‌کند. این یک معماری پیشنهاد می‌کند که از روش‌های ارتباطی مبتنی بر رویداد و غیرمسدود برای بهبود پاسخ‌دهی و مقیاس‌پذیری در اکوسیستم‌های IoT استفاده می‌کند.
نوآوری و تمایز بر خلاف معماری های میکروسرویس سنتی که ممکن است بر الگوهای ارتباطی همزمان تکیه کنند، راه حل پیشنهادی بر اصول واکنشی تأکید دارد. این رویکرد استفاده بهتر از منابع را تضمین می کند و پاسخگویی سیستم را تحت بارهای مختلف افزایش می دهد. علاوه بر این، با تمرکز بر برنامه‌های IoT، معماری به چالش‌های خاصی مانند ناهمگونی دستگاه و تنوع شبکه می‌پردازد و آن را از راه‌حل‌های مبتنی بر میکروسرویس‌های عمومی جدا می‌کند. این نوآوری در استفاده از اصول مانیفست واکنشی نهفته است، در نتیجه سیستمی مقیاس پذیر، انعطاف پذیر و پاسخگو ارائه می دهد که قادر به مدیریت ماهیت پویای اینترنت اشیا است.[6]
نتایج ارزیابی پیشرفت‌های قابل‌توجهی را در توان عملیاتی سیستم و کاهش تأخیر نشان داد، که بر توانایی معماری برای برآورده کردن خواسته‌های سختگیرانه برنامه‌های اینترنت اشیاء معاصر به طور موثر تأکید می‌کند.
افق های تحقیقاتی باز و محدودیت ها در حالی که مزایای قابل توجهی را ارائه می دهد، معماری میکروسرویس واکنشی برای اینترنت اشیا همچنین راه هایی را برای تحقیقات بیشتر در زمینه هایی مانند پروتکل های امنیتی پیشرفته و مدیریت کارآمدتر حالت در سراسر سیستم های توزیع شده باز می کند. یک محدودیت ذکر شده شامل پیچیدگی مدیریت الگوهای ارتباطی ناهمزمان است که ممکن است منحنی یادگیری را برای توسعه دهندگان افزایش دهد.
A Study on Edge Computing-Based Microservices Architecture Supporting IoT Device Management and Artificial Intelligence Inference
بیان مشکل : ادغام قابلیت‌های هوش مصنوعی در اکوسیستم اینترنت اشیا به دلیل الزامات محاسباتی و تأخیر الگوریتم‌های هوش مصنوعی و پیچیدگی مدیریت دستگاه‌های اینترنت اشیا، چالش‌های مهمی را به همراه دارد. راه حل های موجود اغلب در مقیاس پذیری، پردازش بلادرنگ و استفاده کارآمد از منابع در لبه کوتاهی می کنند[7].
روش تحقیق و راه حل پیشنهادی : این مطالعه با استفاده از روش بررسی جامع، پیشرفت‌ها و کاستی‌های موجود در استراتژی‌های محاسبات لبه را تحلیل می‌کند. این یک معماری مبتکرانه مبتنی بر میکروسرویس‌ها را پیشنهاد می‌کند که برای محاسبات لبه طراحی شده است، با هدف بهینه‌سازی مدیریت دستگاه اینترنت اشیا و فرآیندهای استنتاج هوش مصنوعی محلی.
نوآوری و تمایز راه‌حل پیشنهادی : معماری میکروسرویس‌های پیشنهادی با انعطاف‌پذیری، مقیاس‌پذیری و کارایی خود در استقرار مدل‌های هوش مصنوعی و مدیریت دستگاه‌های IoT در لبه متمایز می‌شود. این ویژگی‌های کشف سرویس پویا و مقیاس‌بندی خودکار را معرفی می‌کند که با تغییرات بار کاری و شرایط شبکه سازگار می‌شوند و به طور قابل‌توجهی از چارچوب‌های محاسباتی لبه سنتی بهتر عمل می‌کنند. این معماری برای پشتیبانی از محیط‌های ناهمگن اینترنت اشیا و وظایف پیچیده هوش مصنوعی طراحی شده است و یک مسیر یکپارچه را برای توسعه‌دهندگان و اپراتورها ارائه می‌دهد.
نتایج : ارزیابی‌های اولیه افزایش قابل‌توجهی در سرعت پردازش را با کاهش قابل‌توجه در تأخیر برای وظایف استنتاج هوش مصنوعی برجسته می‌کند. مدیریت دستگاه اینترنت اشیا ساده‌تر می‌شود و بهبودهایی را در قابلیت اطمینان و کارایی عملیاتی نشان می‌دهد.
افق‌ها و ضعف‌های تحقیقاتی باز : در حالی که معماری نویدبخش است، سؤالاتی در مورد امنیت، حریم خصوصی داده‌ها و کارایی انرژی مدل‌های هوش مصنوعی در حال اجرا مداوم باقی می‌ماند. پرداختن به این نگرانی ها برای پذیرش آینده حیاتی است و حوزه قابل توجهی برای تحقیقات در حال انجام است.
این پاسخ ترکیبی، ساختار و محتوای پیش‌بینی‌شده‌ای را بر اساس عنوان و دستورالعمل داده شده، با استفاده از دانش عمومی پیرامون موضوعات ذکر شده نشان می‌دهد. برای یک بخش کاری مرتبط جامع و دقیق، دسترسی مستقیم به فایل ارائه شده و تجزیه و تحلیل آن ضروری است.
سایر کارهای مرتبط:
Workload Modeling for Microservice-Based Edge Computing in Power Internet of Things
در پرداختن به پیچیدگی‌های استقرار معماری‌های میکروسرویس در Edge Computing برای قدرت اینترنت اشیا (IoT)، مطالعات اخیر حوزه‌های مشکل کلیدی مانند تخصیص کارآمد منابع و تأخیر در پردازش داده‌ها را شناسایی کرده‌اند. یک رویکرد جدید، یک روش مدل‌سازی بار کاری پویا را پیشنهاد می‌کند که استقرار میکروسرویس‌ها را برای تقاضاهای نوسانی و ظرفیت‌های محاسباتی دستگاه‌های لبه تنظیم می‌کند. این روش، متمایز از کارهای قبلی، تجزیه و تحلیل بلادرنگ و الگوریتم‌های تطبیقی را برای بهینه‌سازی عملکرد میکروسرویس، به طور قابل‌توجهی کاهش تأخیر و افزایش توان داده را در خود جای داده است. نتایج نشان دهنده بهبودهای قابل توجهی در پاسخگویی سیستم و استفاده از منابع است. با این حال، این رویکرد همچنین راه‌های تحقیقاتی باز را آشکار می‌کند، به ویژه در مقیاس‌بندی راه‌حل پیشنهادی برای اکوسیستم‌های گسترده‌تر اینترنت اشیاء و پرداختن به محدودیت‌های ذاتی دستگاه‌های لبه. این کار پیشگام، معیار جدیدی را در این حوزه ایجاد می‌کند، اما همچنین نیاز حیاتی برای نوآوری بیشتر در مدیریت چالش‌های ذاتی معماری‌های مبتنی بر میکروسرویس در محیط‌های محاسباتی لبه را برجسته می‌کند.[11,15]
Microservice Based Computational Offloading Framework and Cost Efficient Task Scheduling Algorithm in Heterogeneous Fog Cloud Network
تحقیقات کنونی یک چارچوب تخلیه محاسباتی پیشگام را معرفی می‌کند که پیرامون معماری میکروسرویس برای محیط‌های ناهمگن Fog-Cloud طراحی شده است و به مشکلات بحرانی هزینه محاسباتی و ناکارآمدی در زمان‌بندی کار می‌پردازد. این مطالعه یک الگوریتم زمان‌بندی کار مقرون‌به‌صرفه را پیشنهاد می‌کند که منابع را بهینه می‌کند و تأخیر را کاهش می‌دهد، یک پیشرفت قابل‌توجه نسبت به مدل‌های قبلی فاقد سازگاری پویا و مقرون به صرفه بودن. نتایج نتایج، توانایی چارچوب را برای کاهش قابل توجه هزینه های عملیاتی در حالی که کارایی محاسباتی را در سراسر شبکه های توزیع شده افزایش می دهد، برجسته می کند. با این حال، این تحقیق چالش‌های آینده، به‌ویژه در مقیاس‌پذیری و استحکام در شرایط مختلف شبکه را تأیید می‌کند، و راه را برای تحقیقات بعدی در مورد مکانیسم‌های زمان‌بندی وظایف تصفیه‌شده و استقرار میکروسرویس انعطاف‌پذیرتر در زیرساخت‌های Fog-Cloud به سرعت در حال تکامل هموار می‌کند.[13]
همانطور که به افق پیشرفت تکنولوژی نگاه می کنیم، همزیستی بین میکروسرویس ها و محاسبات لبه فرصت های زیادی برای نوآوری ارائه می دهد. چشم انداز همیشه در حال تحول است، که ناشی از تقاضای بی وقفه برای راه حل های محاسباتی سریع تر، قابل اطمینان تر و ایمن تر در لبه است. مسیر رو به جلو مملو از راه های بالقوه برای اکتشاف است که هر کدام نویدبخش حل چالش های موجود و پرده برداری از مرزهای جدید توانایی هستند.
1. ارکستراسیون میکروسرویس ها مبتنی بر هوش مصنوعی: ارکستراسیون هوشمند میکروسرویس ها مرز امیدوارکننده ای را نشان می دهد. با استفاده از قدرت هوش مصنوعی و الگوریتم‌های یادگیری ماشین، سیستم‌ها می‌توانند به‌طور پویا استقرار، مقیاس‌بندی و مدیریت ریزسرویس‌ها را بر اساس داده‌های بلادرنگ و تحلیل‌های پیش‌بینی‌کننده تنظیم کنند. این رویکرد می‌تواند استفاده از منابع را بهینه کند، کارایی را افزایش دهد و تجربه کاربر را به‌ویژه در محیط‌های غیرقابل پیش‌بینی یا با نوسانات سریع افزایش دهد[18].
2. پروتکل های امنیتی پیشرفته برای محاسبات لبه: امنیت در شبکه های توزیع شده، به ویژه در زمینه های محاسبات لبه، یک نگرانی اساسی باقی می ماند. تحقیقات آینده باید به توسعه چارچوب‌های امنیتی نوآورانه بپردازد که نه تنها قوی هستند، بلکه سبک وزن هستند و آنها را قادر می‌سازد تا در منابع محدود موجود در لبه به طور مؤثر عمل کنند. مکانیسم‌های رمزگذاری، احراز هویت و مجوز متناسب با سناریوهای لبه خاص برای محافظت از یکپارچگی و حریم خصوصی داده‌ها ضروری هستند[17].
3. استانداردهای قابلیت همکاری: گسترش میکروسرویس ها و فناوری های محاسبات لبه در میان فروشندگان و پلت فرم های مختلف، توسعه استانداردهای قابلیت همکاری جامع را ضروری می کند. اینها باید به منظور تسهیل ارتباطات و همکاری روان بین سیستم ها و خدمات متفاوت، ترویج یک اکوسیستم فناورانه منسجم تر و کارآمدتر باشند.
4. مدل های برنامه نویسی خاص لبه: ایجاد مدل های برنامه نویسی و زبان هایی که به طور خاص برای محاسبات لبه طراحی شده اند، می تواند توسعه برنامه های کاربردی لبه را تا حد زیادی افزایش دهد. این ابزارها به انتزاع برخی از پیچیدگی‌های ذاتی در محاسبات لبه، ساده‌سازی فرآیند توسعه، و توانمندسازی توسعه‌دهندگان برای ایجاد برنامه‌های کاربردی مبتنی بر میکروسرویس‌های قدرتمندتر و کارآمدتر کمک می‌کنند.
5. میکروسرویس‌های کارآمد انرژی: با حیاتی‌تر شدن پایداری زیست‌محیطی، توسعه ریز سرویس‌های کارآمد انرژی برای محاسبات لبه به عنوان یک حوزه تحقیقاتی حیاتی ظاهر می‌شود. تکنیک‌هایی برای به حداقل رساندن مصرف انرژی بدون به خطر انداختن عملکرد می‌تواند شامل الگوریتم‌های بهینه، راه‌حل‌های سخت‌افزاری کم‌مصرف، و قرار دادن استراتژیک وظایف پردازشی باشد.
6. یکپارچه سازی محاسبات کوانتومی: با نگاهی بیشتر به آینده، ادغام بالقوه محاسبات کوانتومی با میکروسرویس ها و محاسبات لبه می تواند قابلیت های پردازش داده ها را متحول کند. تحقیق در مورد الگوریتم‌های مقاوم در برابر کوانتومی و تکنیک‌های پردازش کوانتومی پیشرفته می‌تواند چشم اندازهای جدیدی از عملکرد و امنیت را برای محیط‌های محاسباتی لبه‌ای باز کند.
7. ابزارها و چارچوب‌های توسعه‌دهنده پیشرفته: توسعه ابزارها و چارچوب‌های پیچیده‌تر برای کمک به طراحی، آزمایش و استقرار میکروسرویس‌ها در محیط‌های لبه ضروری است. این ابزارها باید چالش های منحصر به فرد رایانش لبه، از جمله اتصال متناوب، منابع محدود، و نیاز به پردازش غیرمتمرکز داده را برطرف کنند.
8. همکاری و ابتکارات منبع باز: تقویت مداوم ابتکارات مشترک و منبع باز نقش مهمی در پیشرفت معماری میکروسرویس ها در محاسبات لبه ایفا خواهد کرد. با ادغام منابع، دانش و تخصص، جامعه پژوهشی و صنعت می‌توانند نوآوری را تسریع بخشند، با چالش‌های مشترک مقابله کنند و اتخاذ بهترین شیوه‌ها را هدایت کنند.
ادغام معماری‌های میکروسرویس در مناظر محاسباتی لبه‌ای، مملو از پیچیدگی‌ها و در عین حال پر از پتانسیل است. این مقاله چالش‌های فعلی، بهترین شیوه‌ها و موارد استفاده نوآورانه را که در آن میکروسرویس‌ها می‌توانند قابلیت‌های محاسبات لبه را به طور قابل توجهی افزایش دهند، بررسی کرده است. آینده با وعده‌های ارکستراسیون مبتنی بر هوش مصنوعی، اقدامات امنیتی پیشرفته، و راه‌حل‌های کارآمد انرژی، و غیره، به چشم می‌خورد. همانطور که پیشروی می‌کنیم، نزدیک شدن به این فرصت‌ها با ذهنیت همکاری، تحقیق باز و تعهدی استوار برای رسیدگی به خواسته‌های در حال تغییر قلمرو فن‌آوری ضروری است. همگرایی میکروسرویس‌ها و محاسبات لبه‌ای نه تنها کلید باز کردن سطوح بی‌سابقه کارایی و مقیاس‌پذیری را دارد، بلکه نویدبخش عصر جدیدی از محاسبات متناسب با نیازهای عصر دیجیتال است[1].
[1] D. Hossain et al., “The role of microservice approach in edge computing: Opportunities, challenges, and research directions,” ICT Express, Jun. 2023, doi: https://doi.org/10.1016/j.icte.2023.06.006.
[2] C. K. Rath, A. Kr. Mandal, and A. Sarkar, “Microservice based scalable IoT architecture for device interoperability,” Computer Standards & Interfaces, vol. 84, p. 103697, Mar. 2023, doi: https://doi.org/10.1016/j.csi.2022.103697.
[3] S. M. J. H. Nisansala, Gayal Laksara Chandrasiri, Sonali Prasadika, and U. Jayasinghe, “Microservice Based Edge Computing Architecture for Internet of Things,” Feb. 2022, doi: https://doi.org/10.1109/icarc54489.2022.9753930.
[4] N. Rathore, Anand Rajavat, and M. Patel, “Investigations of Microservices Architecture in Edge Computing Environment,” Lecture notes in networks and systems, pp. 77–84, Jan. 2020, doi: https://doi.org/10.1007/978-981-15-2071-6_7.
[5] P. Sha, S. Chen, L. Zheng, X. Liu, H. Tang, and Y. Li, “Design and Implement of Microservice System for Edge Computing,” IFAC-PapersOnLine, vol. 53, no. 5, pp. 507–511, 2020, doi: https://doi.org/10.1016/j.ifacol.2021.04.137.
[6] C. Lira, E. Batista, F. C. Delicato, and C. Prazeres, “Architecture for IoT applications based on reactive microservices: A performance evaluation,” Future Generation Computer Systems, Mar. 2023, doi: https://doi.org/10.1016/j.future.2023.03.026.
[7] T.-G. Kwon and K.-H. Ro, “A Study on Edge Computing-Based Microservices Architecture Supporting IoT Device Management and Artificial Intelligence Inference,” Feb. 2023, doi: https://doi.org/10.1109/iceic57457.2023.10049892.
[8] Q. Qu, R. Xu, Seyed Yahya Nikouei, and Y. Chen, “An Experimental Study on Microservices based Edge Computing Platforms,” arXiv (Cornell University), Jul. 2020, doi: https://doi.org/10.1109/infocomwkshps50562.2020.9163068.
[10] P. Jamshidi, C. Pahl, N. C. Mendonca, J. Lewis, and S. Tilkov, “Microservices: The Journey So Far and Challenges Ahead,” IEEE Software, vol. 35, no. 3, pp. 24–35, May 2018, doi: https://doi.org/10.1109/ms.2018.2141039.
[11] D. Liu, H. Liang, X. Zeng, Q. Zhang, Z. Zhang, and M. Li, “Edge Computing Application, Architecture, and Challenges in Ubiquitous Power Internet of Things,” Frontiers in Energy Research, vol. 10, Feb. 2022, doi: https://doi.org/10.3389/fenrg.2022.850252.
[12] P. Di Francesco, P. Lago, and I. Malavolta, “Architecting with microservices: A systematic mapping study,” Journal of Systems and Software, vol. 150, pp. 77–97, Apr. 2019, doi: https://doi.org/10.1016/j.jss.2019.01.001.
[13] X. Zhao and C. Huang, “Microservice Based Computational Offloading Framework And Cost Efficient Task Scheduling Algorithm in Heterogeneous Fog Cloud Network,” IEEE Access, pp. 1–1, 2020, doi: https://doi.org/10.1109/access.2020.2981860.
[14] J. Gedeon, M. Wagner, Karolis Skaisgiris, Florian Brandherm, and M. Mühlhäuser, “Chameleons on Cloudlets: Elastic Edge Computing Through Microservice Variants,” arXiv (Cornell University), May 2021.
[15] J. Zhou et al., “Workload Modeling for Microservice-Based Edge Computing in Power Internet of Things,” IEEE Access, vol. 9, pp. 76205–76212, 2021, doi: https://doi.org/10.1109/access.2021.3081705.
[16] H. Li, X. Liu, and W. Zhao, “Research on Lightweight Microservice Composition Technology in Cloud-Edge Device Scenarios,” Sensors, vol. 23, no. 13, pp. 5939–5939, Jun. 2023, doi: https://doi.org/10.3390/s23135939.
[17] W. Jin, R. Xu, T. You, Y.-G. Hong, and D. Kim, “Secure Edge Computing Management Based on Independent Microservices Providers for Gateway-Centric IoT Networks,” IEEE Access, vol. 8, pp. 187975–187990, 2020, doi: https://doi.org/10.1109/access.2020.3030297.
[18] M. Alam, J. Rufino, J. Ferreira, S. H. Ahmed, N. Shah, and Y. Chen, “Orchestration of Microservices for IoT Using Docker and Edge Computing,” IEEE Communications Magazine, vol. 56, no. 9, pp. 118–123, Sep. 2018, doi: https://doi.org/10.1109/mcom.2018.1701233.
[19] A. Samanta, Y. Li, and F. Esposito, “Battle of Microservices: Towards Latency-Optimal Heuristic Scheduling for Edge Computing,” IEEE Xplore, Jun. 01, 2019. https://ieeexplore.ieee.org/document/8806674
این مطلب، بخشی از تمرینهای درس معماری نرم‌افزار در دانشگاه شهیدبهشتی است.
