Energy-efficient network architecture for smart city development

• Autorzy: Jayadevan Ashwini , Md Isa Ida Syafiza Binti , Ahmad Mohd Riduan , Mohd Shaari Azyze Nur Latif Azyze Bin , Rasidi Norashida Farahizzaty Binti , Zainan Nur Hidayah Binti

Identyfikatory

DOI

10.15199/48.2023.09.25

Warianty tytułu

PL

Energooszczędna architektura sieci dla rozwoju inteligentnych miast

• Języki publikacji: EN

Abstrakty

EN

The growing number of objects connected to the Internet due to the evolution of smart cities development and the tremendous data in the future 6G networks with extensive processing has produced massive amounts of data that need to be processed. This will burden the conventional clouds to process the data besides reducing the Quality of Services due to high latency. Also, the increase in data volumes increased the energy consumed by transport networks and the cloud. Therefore, fog computing has been introduced to overcome the limitation of the cloud. This study proposed a new fog computing architecture for Internet-of-Things (IoT) applications based on wireless access networks using WiFi technology. A new mathematical model has been developed to optimize the number and locations of the fog servers at the access network to minimize the energy consumption of the networking and processing equipment at the access layer. This is beneficial for smart city development which contributes to the 2030 Agenda for Sustainable Development Goals (SDG) under Goal 7. The Mixed Integer Linear Programming (MILP) model using AMPL software with CPLEX solver is used to model the energy-efficient fog computing architecture considering twelve tourist locations in Melaka as the case study. The results show that the proposed optimized approach (OA) has 52.6% energy saving as the low number of fog servers and networking devices are utilized in the network compared to the non-optimized approach (NOA). Besides, the energy saving increased up to 81.1% when high processing server capacity is considered in the network. In addition to that, the results also show that increasing the traffic demands by each user does not give a significant energy increment when considering a fog server with high processing capacity in the network.

PL

Rosnąca liczba obiektów podłączonych do Internetu w wyniku ewolucji rozwoju inteligentnych miast i ogromne ilości danych w przyszłych sieciach 6G z ekstensywnym przetwarzaniem wytworzyły ogromne ilości danych, które trzeba przetworzyć. To obciąży konwencjonalne chmury do przetwarzania danych, oprócz obniżenia jakości usług z powodu dużych opóźnień. Również wzrost wolumenu danych spowodował wzrost zużycia energii przez sieci transportowe i chmurę. Dlatego w celu przezwyciężenia ograniczeń chmury wprowadzono obliczenia mgły. W badaniu tym zaproponowano nową architekturę mgły obliczeniowej dla aplikacji Internet-of-Things (IoT) w oparciu o sieć dostępu bezprzewodowego wykorzystującą technologię WiFi. Opracowano nowy model matematyczny w celu optymalizacji liczby i lokalizacji serwerów mgły w sieci dostępowej, aby zminimalizować zużycie energii przez sprzęt sieciowy i przetwarzający w warstwie dostępowej. Jest to korzystne dla rozwoju inteligentnych miast, które przyczyniają się do realizacji Agendy na rzecz celów zrównoważonego rozwoju 2030 (SDG) w ramach celu 7. Model programowania liniowego mieszanych liczb całkowitych (MILP) z wykorzystaniem oprogramowania AMPL z solverem CPLEX jest wykorzystywany do modelowania energooszczędnej architektury przetwarzania mgły z uwzględnieniem dwanaście miejsc turystycznych w Melace jako studium przypadku. Wyniki pokazują, że proponowane zoptymalizowane podejście (OA) zapewnia 52,6% oszczędności energii, ponieważ w sieci wykorzystywana jest niewielka liczba serwerów mgły i urządzeń sieciowych w porównaniu z podejściem niezoptymalizowanym (NOA). Poza tym oszczędność energii wzrosła do 81,1%, gdy w sieci uwzględniono wysoką wydajność serwerów przetwarzających. Oprócz tego wyniki pokazują również, że zwiększenie zapotrzebowania na ruch przez każdego użytkownika nie daje znaczącego przyrostu energii, biorąc pod uwagę serwer mgły o dużej mocy obliczeniowej w sieci.

Słowa kluczowe

EN

fog computing; energy efficiency; Internet of things; wireless network; WiFi technology

PL

obliczenie mgły; efektywność energetyczna; internet rzeczy; sieć bezprzewodowa; technologia WiFi

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 9
• Strony: 135--140
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Jayadevan Ashwini

• Universiti Teknikal Malaysia Melaka, Melaka, Malaysia

autor

Md Isa Ida Syafiza Binti

• Universiti Teknikal Malaysia Melaka, Melaka, Malaysia

• https://orcid.org/0000-0003-2984-9289

autor

Ahmad Mohd Riduan

• Universiti Teknikal Malaysia Melaka, Melaka, Malaysia

• https://orcid.org/0000-0001-9474-7153

autor

Mohd Shaari Azyze Nur Latif Azyze Bin

• Universiti Teknikal Malaysia Melaka, Melaka, Malaysia

• https://orcid.org/0000-0002-6029-5619

autor

Rasidi Norashida Farahizzaty Binti

• Universiti Teknikal Malaysia Melaka, Melaka, Malaysia

autor

Zainan Nur Hidayah Binti

• Universiti Teknologi Malaysia, Johor, Skudai, Malaysia

Bibliografia

• [1] “EXCECUTIVE SUMMARY MALAYSIA: SMART CITY FRAMEWORK,” 2018.
• [2] TWI Ltd (Head Office), “What is a smart city? – Definition and Examples,” TWI Ltd (Head Office), 2022. https://www.twi global.com/technical-knowledge/faqs/what-is-a-smart-city#WhySmartCitiesAreImportant.
• [3] J. Morley, K. Widdicks, and M. Hazas, “Energy Research & Social Science Digitalisation , energy and data demand : The impact of Internet tra ffi c on overall and peak electricity consumption,” Energy Res. Soc. Sci., vol. 38, no. January, pp. 128–137, 2018, doi: 10.1016/j.erss.2018.01.018.
• [4] DagangNews.com, “Malaysia Data Center Market Size to Cross RM3,409m by 2025,” July, 2020. https://dagangnews.com/malaysia-data-center-market-size-cross-rm3409m-2025.
• [5] Anders S. G. Andrae and Tomas Edler, “On Global Electricity Usage of Communication Technology: Trends to 2030”, challenges, pp. 117–157, 2015, doi: 10.3390/challe6010117.
• [6] W. Van Heddeghem, S. Lambert, B. Lannoo, D. Colle, M. Pickavet, and P. Demeester, “Trends in worldwide ICT electricity consumption from 2007 to 2012,” Comput. Commun., vol. 50, pp. 64–76, 2014, doi: 10.1016/j.comcom.2014.02.008.
• [7] C. Mouradian et al., “A Comprehensive Survey on Fog Computing : State-of-the-Art and Research Challenges,” IEEE Commun. Surv. Tutorials, vol. 20, no. 1, pp. 416–464, 2018, doi: 10.1109/COMST.2017.2771153.
• [8] I. S. M. Isa, T. E. H. El-Gorashi, M. O. I. Musa, and J. M. H. Elmirghani, “Energy efficient fog based healthcare monitoring infrastructure,” IEEE Access, vol. 8, pp. 197828–197852, 2020, doi: 10.1109/access.2020.3033555.
• [9] I. S. M. Isa, N. S. Kamaruzaman, and N. L. A. Shaari, “DEVELOPMENT OF REAL-TIME LoRA-BASED AIR POLLUTION MONITORING SYSTEM,” ARPN J. Eng. Appl. Sci., vol. 16, no. 19, pp. 1984–1990, 2021.
• [10] I. S. B. M. Isa and A. Hanani, “Development of real-time indoor human tracking system using LoRa technology,” Int. J. Electr. Comput. Eng., vol. 12, no. 1, pp. 845–852, 2022, doi: 10.11591/ijece.v12i1.pp845-852.
• [11] N. L. A. M. S. Azyze, I. S. M. Isa, and T. S. Chin, “IoT-based communal garbage monitoring system for smart cities,” Indones. J. Electr. Eng. Comput. Sci., vol. 27, no. 1, pp. 37– 43, 2022, doi: 10.11591/ijeecs.v27.i1.pp37-43.
• [12] J. Ren, G. Yu, Y. He, and G. Y. Li, “Collaborative Cloud and Edge Computing for Latency Minimization,” IEEE Trans. Veh. Technol., vol. 68, no. 5, pp. 5031–5044, 2019, doi: 10.1109/TVT.2019.2904244.
• [13] S. He et al., “Cloud-Edge Coordinated Processing: Low Latency Multicasting Transmission,” IEEE J. Sel. Areas Commun., vol. 37, no. 5, pp. 1144–1158, 2019, doi: 10.1109/JSAC.2019.2906791.
• [14] C. Yang, S. Lan, L. Wang, W. Shen, and G. G. Q. Huang, “Big data driven edge-cloud collaboration architecture for cloud manufacturing: A software defined perspective,” IEEE Access, vol. 8, pp. 45938–45950, 2020, doi: 10.1109/ACCESS.2020.2977846.
• [15] J. Morley, K. Widdicks, and M. Hazas, “Digitalisation, energy and data demand: The impact of Internet traffic on overall and peak electricity consumption,” Energy Res. Soc. Sci., vol. 38, no. January, pp. 128–137, 2018, doi: 10.1016/j.erss.2018.01.018.
• [16] S. B. W. Connectivity, “Cisco Small Business 500 Series Wireless Access Points Single Point Setup,” pp. 1–8, 2013.
• [17] NETGEAR, “NETGEAR 200 Series,” 2015.
• [18] “Intel Xeon Processor E5-2420 (15M Cache, 1.90 GHz, 7.20 GT/s Intel QPI) Product SpecificationsIntel Xeon Processor E5-2420 (15M Cache, 1.90 GHz, 7.20 GT/s Intel QPI) Product Specifications,” 2019. https://ark.intel.com/content/www/us/en/ark/products/64617/i ntel-xeon- processor-e5-2420-15m-cache-1-90-ghz-7-20-gt-s-intel-qpi.html (accessed Oct. 26, 2019).
• [19] “Intel Xeon Processor E5-2680 (20MCache, 2.70 GHz, 8.00 GT/s Intel QPI) Product Specifications.,” 2019. https://ark.intel.com/content/www/us/en/ark/products/64583/i ntel- xeon-processor-e5-2680-20m-cache-2-70-ghz-8-00-gt-s-intel-qpi. html (accessed Oct. 26, 2019).
• [20] “Tensor Cores in NVIDIA Volta Architecture | NVIDIA. Accessed: Oct. 16, 2019. [Online]. Available: https://www.nvidia.com/en-gb/data- center/tensorcore/,” 2019. https://www.nvidia.com/en-gb/data- center/tensorcore/ (accessed Oct. 16, 2019).