Δίκτυα νέας γενιάς

1. Network virtualization

Η εικονικοποίηση των λειτουργιών του δικτύου (Network Function Virtualization) μέσω της αποσύνδεσης του λογισμικού από το υλικό οδηγεί στον επανασχεδιασμό πόρων και στοιχείων υλικού και στη χρήση τους για πολλαπλές ταυτόχρονες λειτουργίες του δικτύου. Παράλληλα επιτρέπει την ευέλικτη και on-the-fly δημιουργία και τοποθέτηση λειτουργιών εικονικού δικτύου (VNFs) οι οποίες μπορούν να εκτελεστούν εντός των διαφόρων τοποθεσιών ενός κατανεμημένου συστήματος (ειδικότερα στα άκρα του δικτύου). Κύρια επιδίωξη είναι η τοποθέτηση των  VNFs με τέτοιο τρόπο ώστε η κατανομή των  πόρων (VNFPRA – VNF Placement and Resource Allocation) να γίνεται με βέλτιστο τρόπο.

2. Software-Defined Networking

Η τεχνολογία δικτύωσης που καθορίζεται από λογισμικό (Software Defined Networking) είναι μια προσέγγιση στη διαχείριση δικτύου που επιτρέπει τη δυναμική και αποτελεσματικά προγραμματισμένη διαμόρφωση του δικτύου, προκειμένου να βελτιώσει την απόδοση και την παρακολούθηση του, καθιστώντας το περισσότερο σαν υπολογιστικό νέφος από την παραδοσιακή διαχείριση του. Το SDN προορίζεται να αντιμετωπίσει το γεγονός ότι η στατική αρχιτεκτονική των παραδοσιακών δικτύων είναι αποκεντρωμένη και πολύπλοκη, ενώ τα τρέχοντα δίκτυα απαιτούν μεγαλύτερη ευελιξία και ευκολότερη αντιμετώπιση των προβλημάτων. Το SDN επιχειρεί να συγκεντρώσει τη νοημοσύνη του δικτύου σε ένα στοιχείο δικτύου (controller) αποσυνδέοντας τη διαδικασία προώθησης πακέτων δικτύου (επίπεδο δεδομένων) από τη διαδικασία δρομολόγησης (επίπεδο ελέγχου). Το επίπεδο ελέγχου αποτελείται από έναν ή περισσότερους ελεγκτές, οι οποίοι θεωρούνται ο εγκέφαλος του δικτύου SDN όπου ενσωματώνεται ολόκληρη η νοημοσύνη. Ωστόσο, η έξυπνη συγκέντρωση έχει τα δικά της μειονεκτήματα όσον αφορά την ασφάλεια, την επεκτασιμότητα και την ελαστικότητα όπου και αποτελούν τα κύρια ζητήματα του SDN. Επιπλέον με την ανάπτυξη και τις εφαρμογές του SDN, οι ερευνητές διαπίστωσαν ότι η τοποθέτηση του ελεγκτή επηρεάζει άμεσα την απόδοση του δικτύου στο SDN. Επομένως το πρόβλημα της τοποθέτησης του ελεγκτή είναι ένα από τα κύρια προβλήματα που στόχο έχουν τη βελτιστοποιημένη απόδοση του δικτύου τόσο από πλευράς καθυστέρησης όσο αξιοπιστίας και κόστους.

3. Cloud computing / Mobile cloud computing

Η μεγάλη ανάγκη των χρηστών για εφαρμογές στις κινητές συσκευές τους, όπως επίσης και η έκρηξη του πλήθους των συσκευών που αναμένεται να είναι συνδεδεμένες στο διαδίκτυο οδήγησαν στο να γεννηθεί το Mobile Cloud Computing (MCC) που αποτελεί το πάντρεμα του Cloud Computing, του Μobile Computing και των Wirelles Networks. Oι απαιτήσεις των χρηστών σχετικά με τη ταχύτητα μετάδοσης των δεδομένων και την ποιότητα της υπηρεσίας (QoS) αυξάνονται εκθετικά. Επιπλέον, η τεχνολογική εξέλιξη των smartphones, των φορητών υπολογιστών και των tablet επιτρέπει την εμφάνιση νέων απαιτητικών υπηρεσιών και εφαρμογών. Παρόλο που οι καινούργιες κινητές συσκευές είναι όλο και πιο ισχυρές από την άποψη της κεντρικής μονάδας επεξεργασίας (CPU), ακόμη και αυτές ενδέχεται να μην είναι σε θέση να χειριστούν τις εφαρμογές που απαιτούν τεράστια επεξεργασία σε σύντομο χρονικό διάστημα. Επιπλέον, η υψηλή κατανάλωση μπαταριών εξακολουθεί να αποτελεί σημαντικό εμπόδιο που περιορίζει τους χρήστες να απολαμβάνουν πλήρως απαιτητικές εφαρμογές στις δικές τους συσκευές. Επομένως ένα βασικό εμπόδιο που πρέπει να αντιμετωπιστεί είναι ότι οι έξυπνες συσκευές έχουν περιορισμούς πόρους (resource-constrained smart devices) και επομένως πρέπει να αναζητηθούν λύσεις όπως η εκφόρτωση υπολογισμών που καταναλώνουν ενέργεια για τις εφαρμογές στο cloud η κάπου πιο κοντά (Fog Computing).

 

4. Edge and Fog computing / networking

Το Fog Computing προσφέρει υπηρεσίες υπολογισμού, δικτύωσης και αποθήκευσης, ώστε οι υπηρεσίες που βασίζονται στο cloud να μπορούν να επεκταθούν πιο κοντά στις συσκευές που βρίσκονται στα άκρα του δικτύου (Edge Computing) καθώς και στου αισθητήρες IoT. Το κυριότερο χαρακτηριστικό του FC είναι ότι προσφέρει πολύ χαμηλή καθυστέρηση σε σύγκριση με το cloud computing, το οποίο βρίσκεται μακριά από τον τελικό χρήστη. Παρόλα αυτά το σύνολο των πόρων που διατίθενται για την εξυπηρέτηση συσκευών και υπηρεσιών στην περιοχή αυτή του δικτύου (Edge network) δεν είναι απεριόριστο και επομένως θα πρέπει να γίνει ορθή διαχείριση με σκοπό το βέλτιστο αποτέλεσμα. Μια προσέγγιση είναι να γίνει διαχωρισμός των υπηρεσιών ανάλογα με την ανοχή στην καθυστέρηση ή την ανάγκη για υψηλή αποθήκευση και επεξεργασία. Η επιλογή για το ποιες εργασίες θα εκτελούνται στα άκρα και ποιες θα προωθούνται πιο βαθιά στο δίκτυο μέχρι το cloud αποτελεί καίριο πρόβλημα που συνεχώς ερευνάται από διάφορες οπτικές.

 

5. Internet of Things

Το Διαδίκτυο των πραγμάτων (Internet of Things – IoT) δημιουργεί μηνύματα (messages) σε δίκτυα τηλεπικοινωνιών και απαιτεί πύλες για τη συγκέντρωση των μηνυμάτων και τη διασφάλιση χαμηλoύ latency και ασφάλειας. Λόγω της φύσης ορισμένων από τις συσκευές που είναι συνδεδεμένες, απαιτείται να έχουν την ικανότητα για real time ενημέρωση και απαιτείται μια ομαδοποίηση αισθητήρων και συσκευών για αποτελεσματική εξυπηρέτηση. Οι συσκευές IoT συχνά περιορίζονται σε πόρους από την άποψη της χωρητικότητας του επεξεργαστή και της μνήμης. Υπάρχει ανάγκη να συγκεντρωθούν διάφορα μηνύματα συσκευής IoT (IoT device messages) συνδεδεμένα μέσω του κινητού δικτύου κοντά στις συσκευές. Αυτό παρέχει επίσης μια ικανότητα επεξεργασίας αναλυτικών δεδομένων και ένα χρόνο απόκρισης χαμηλής καθυστέρησης. Το Edge and Fog computing μπορεί να χρησιμοποιηθεί για τη σύνδεση και τον έλεγχο συσκευών εξ αποστάσεως, για την ανάλυση και την παροχή προβλέψεων σε πραγματικό χρόνο. Προκλήσεις που πρέπει να αντιμετωπιστούν είναι η κατανάλωση ενέργειας, οι περιορισμένοι διαθέσιμοι πόροι στα άκρα του δικτύου, η ταχύτητα απόκρισης ανάλογα με την υπηρεσία, καθώς ο μεγάλος όγκος των δεδομένων που παράγεται και που πρέπει να αναλυθούν κ.α.

 

6. 5G Networks

Τα δίκτυα 5ης γενιάς αποτελούν την μεγαλύτερη υπόσχεση για την υλοποίηση ενός ολοκληρωτικού μετασχηματισμού των δικτύων που τους  προσθέτει νοημοσύνη και προγραμματισμό. Οι τεχνολογίες που αναπτύσσονται και υιοθετούνται για την επίτευξη του στόχου είναι πολλές και κατά περίπτωση θα συνδυάζονται μεταξύ τους. Μια πρώτη ανάλυση αυτών των τεχνολογιών έχει γίνει στη διπλωματική μου εργασία με θέμα «Δίκτυα 5ης Γενιάς –  Τεχνολογίες Δικτύωσης καθοριζόμενες από το Λογισμικό & Εικονικοποίησης δικτυακών λειτουργιών». http://dx.doi.org/10.26253/heal.uth.1515

 

7. Quality-of-Service and resource management

Η ποιότητα της υπηρεσίας (QoS) είναι η περιγραφή ή η μέτρηση της συνολικής απόδοσης μιας υπηρεσίας. Μπορεί να ορίζεται ως ένα σύνολο απαιτήσεων ποιότητας (δηλ. επιθυμητών ιδιοτήτων) μιας εφαρμογής, οι οποίες δεν διατυπώνονται ρητά στις λειτουργικές διεπαφές της. Υπό αυτήν την έννοια, το QoS περιλαμβάνει ανοχή σφαλμάτων, ταχύτητα, ασφάλεια, απόδοση, διαθεσιμότητα, συντήρηση κ.λπ. Σε μια πιο περιορισμένη έννοια, το QoS χαρακτηρίζει την ικανότητα μιας εφαρμογής να ικανοποιεί περιορισμούς που σχετίζονται με την απόδοση. Αυτή η συγκεκριμένη έννοια του QoS είναι ιδιαίτερα σχετική σε τομείς όπως η επεξεργασία πολυμέσων, ο έλεγχος σε πραγματικό χρόνο ή οι διαδραστικές υπηρεσίες για τελικούς χρήστες. Ο έλεγχος της απόδοσης επιτυγχάνεται μέσω της διαχείρισης πόρων.

Κάθε υπηρεσία καθορίζεται από μια σύμβαση μεταξύ ενός παρόχου υπηρεσιών και ενός αιτούντος. Αυτό το συμβόλαιο καθορίζει τόσο τη λειτουργική διεπαφή της υπηρεσίας όσο και ορισμένες εξαιρετικά λειτουργικές πτυχές, γνωστές συλλογικά ως Ποιότητα Υπηρεσίας (QoS), οι οποίες περιλαμβάνουν απόδοση, διαθεσιμότητα, ασφάλεια κ.α. και πρέπει να προσδιοριστούν με ακρίβεια για κάθε εφαρμογή ή κατηγορία εφαρμογών. Το μέρος της σύμβασης που ορίζει το QoS ονομάζεται Συμφωνία Επιπέδου Υπηρεσίας (SLA – Service Level Agreement). Η τεχνική έκφραση ενός SLA αποτελείται συνήθως από ένα σύνολο Στόχων Επιπέδου Υπηρεσίας (SLO –  Service Level Objectives), καθένας από τους οποίους ορίζει έναν ακριβή στόχο για μία από τις συγκεκριμένες πτυχές που καλύπτονται από το SLA. Για παράδειγμα, για ένα SLA στην απόδοση ενός διακομιστή ιστού, ένα SLO μπορεί να καθορίσει έναν μέγιστο χρόνο απόκρισης που πρέπει να επιτευχθεί για το 95% των αιτημάτων που υποβάλλονται από μια συγκεκριμένη κατηγορία χρηστών.

Επομένως υπάρχει μια διαρκής ισορροπία που θα πρέπει να τηρείται μεταξύ της ικανοποίησης του QoS και της αντίστοιχης διαχείρισης των πόρων. Αυτή είναι και βασικότερη πρόκληση για τη βέλτιστη διαχείριση των πόρων σε ένα σύστημα.

 

8. Wireless Sensor Networks

Με την ταχεία τεχνολογική ανάπτυξη των αισθητήρων, τα ασύρματα δίκτυα αισθητήρων (WSN) αποτελούν έναν από τους τεχνολογικούς πυλώνες του ΙοΤ. Τα WSNs θεωρούνται ως μια επαναστατική μέθοδος συλλογής πληροφοριών για να χτιστεί το σύστημα πληροφοριών και επικοινωνιών που θα βελτιώσει σημαντικά την αξιοπιστία και την αποτελεσματικότητα των συστημάτων υποδομής. Σε σύγκριση με την ενσύρματη λύση, τα WSN διαθέτουν ευκολότερη ανάπτυξη και καλύτερη ευελιξία συσκευών. Ανακύπτουν όμως προβλήματα που θα πρέπει να αντιμετωπιστούν, όπως:

  • που θα τοποθετούνται αυτά τα δίκτυα,
  • που θα συγκεντρώνεται ο μεγάλος όγκος δεδομένων που παράγεται,
  • που θα γίνεται η επεξεργασία και ανάλυση αυτών των δεδομένων,
  • πως θα αντιμετωπιστεί το ότι οι αισθητήρες έχουν περιορισμένους πόρους σχετικά με τις δυνατότητες επεξεργασίας, ενέργειας, μετάδοσης και μνήμης καθώς και
  • θέματα προστασίας και ασφάλειας.

 

8. Big Data and Machine Learning for networks

Τα ασύρματα δίκτυα επόμενης γενιάς εξελίσσονται σε πολύ περίπλοκα συστήματα λόγω των πολύ διαφοροποιημένων απαιτήσεων υπηρεσίας, της ετερογένειας σε εφαρμογές, συσκευές και δίκτυα. Οι διαχειριστές δικτύου πρέπει να κάνουν την καλύτερη δυνατή χρήση των διαθέσιμων πόρων. Οι παραδοσιακές προσεγγίσεις δικτύωσης (όπως κεντρικά διαχειριζόμενες, προσεγγίσεις one-size-fitsall και συμβατικά εργαλεία ανάλυσης δεδομένων που έχουν περιορισμένη ικανότητα) δεν είναι πλέον ικανές και δεν μπορούν να ικανοποιήσουν και να εξυπηρετήσουν αποτελεσματικά και με βέλτιστο τρόπο τα μελλοντικά σύνθετα δίκτυα σχετικά με τη λειτουργία τους. Χρειάζεται μια νέα προσέγγιση, ώστε τα δίκτυα να είναι προδραστικά (proactive), αυτοπροσαρμοζόμενα (self-adaptive) και να διαθέτουν επίγνωση (self-aware) και πρόγνωση (predictive). Οι διαχειριστές δικτύου έχουν πρόσβαση σε μεγάλες ποσότητες δεδομένων (ειδικά από το δίκτυο, τους αισθητήρες και τους συνδρομητές). Η συστηματική εκμετάλλευση των μεγάλων δεδομένων συμβάλλει δραματικά στο να γίνει το σύστημα έξυπνο και να διευκολύνει την αποτελεσματική, καθώς και οικονομικά αποδοτική λειτουργία και βελτιστοποίηση. Στόχος είναι τα  ασύρματα δίκτυα επόμενης γενιάς να  βασίζονται σε δεδομένα, όπου οι διαχειριστές δικτύου χρησιμοποιούν προηγμένες δυνατότητες ανάλυσης δεδομένων (advanced data analytics), μηχανική μάθηση (ML) και τεχνητή νοημοσύνη. Αποτελεί πρόκληση ο ρόλος της μηχανικής μάθησης (ML) και της τεχνητής νοημοσύνης στο να κάνουμε το σύστημα έξυπνο. Μεγάλη συζήτηση υπάρχει για τις προκλήσεις και τα οφέλη από την υιοθέτηση αυτών των τεχνολογιών και μεθόδων  στα συστήματα επικοινωνίας επόμενης γενιάς.

 

9. Mobility management and models

Τα μοντέλα κινητικότητας χρησιμεύουν ως τα θεμέλια για την αξιολόγηση και το σχεδιασμό  των δικτύων. Η κινητικότητα των μερών σε ένα δίκτυο (συσκευές, χρήστες, αισθητήρες,οχήματα) πρέπει να λαμβάνεται υπόψη κατά τη διαδικασία του σχεδιασμού. Τα μοντέλα κινητικότητας κόμβων χρησιμοποιούνται για να προσομοιώσουν τη συμπεριφορά του πραγματικού κόσμου και για να προσδιορίσουν εάν οι  προτεινόμενες τεχνολογίες θα ικανοποιήσουν τα  κριτήρια που έχουν τεθεί κατά την εφαρμογή τους. Καθώς τα μοτίβα κίνησης (ίχνη) στην πραγματικότητα είναι πολύ δύσκολο να ληφθούν, χρησιμοποιούνται μοντέλα συνθετικής κινητικότητας κατά την προσομοίωση και για την επαλήθευση των δυνατοτήτων πρωτοκόλλου δικτύωσης. Τα μοντέλα κινητικότητας για δίκτυα ad hoc / αισθητήρων θα πρέπει να προσπαθούν να επιτύχουν δύο στόχους που συχνά έρχονται σε σύγκρουση

  • Να μοιάζουν με πραγματικές κινήσεις – τα δίκτυα ad hoc και αισθητήρων χρησιμοποιούνται σε ευρύ φάσμα τομέων με διάφορα μοτίβα κίνησης, π.χ. κίνηση οχημάτων, αισθητήρες που μεταφέρονται από τις ροές των ωκεανών, κίνηση ομάδων τουριστών κ.λπ. Κάθε ένας από αυτούς τους τομείς συνήθως απαιτεί το συγκεκριμένο μοντέλο κινητικότητας.
  • να είναι αρκετά γενικοί και απλοί για την προσομοίωση και την επίσημη ανάλυση – για να διατηρηθούν οι χρόνοι προσομοίωσης λογικοί, τα μοντέλα κινητικότητας πρέπει να είναι αρκετά απλά. Επιπλέον, η χρήση σχετικά απλών τρόπων κινητικότητας επιτρέπει την επίσημη ανάλυση της συμπεριφοράς τους σε σχέση με τις θεμελιώδεις παραμέτρους του δικτύου και την επίδραση της κινητικότητας στην απόδοση των πρωτοκόλλων δικτύωσης.

 

10. Crowdsensing

Το Mobile crowdsensing (MCS) έχει τραβήξει την προσοχή τα τελευταία χρόνια και έχει γίνει ένα ελκυστικό παράδειγμα για την ανίχνευση εντός του αστικού ιστού. Για τη συλλογή δεδομένων, τα συστήματα MCS βασίζονται στη συμβολή κινητών συσκευών μεγάλου αριθμού συμμετεχόντων ή πλήθους. Τα smartphone, τα tablet και οι φορητές συσκευές αναπτύσσονται ευρέως και είναι ήδη εξοπλισμένα με ένα πλούσιο σύνολο αισθητήρων, καθιστώντας τα μια εξαιρετική πηγή πληροφοριών. Η κινητικότητα και η ευφυΐα των ανθρώπων εγγυώνται υψηλότερη κάλυψη και καλύτερη επίγνωση του περιβάλλοντος (context-aware) σε σύγκριση με τα παραδοσιακά δίκτυα αισθητήρων. Ταυτόχρονα, τα άτομα ενδέχεται να είναι απρόθυμα να κοινοποιούν δεδομένα για ζητήματα απορρήτου. Για αυτόν τον λόγο, τα πλαίσια MCS έχουν σχεδιαστεί ειδικά για να περιλαμβάνουν μηχανισμούς κινήτρων και να αντιμετωπίζουν προβλήματα απορρήτου. Παρά το αυξανόμενο ενδιαφέρον από την ερευνητική κοινότητα, οι λύσεις MCS χρειάζονται μια βαθύτερη έρευνα και κατηγοριοποίηση σε πολλές πτυχές που κυμαίνονται από την ανίχνευση και την επικοινωνία έως τη διαχείριση του συστήματος και την αποθήκευση δεδομένων.

 

 

Όλη η βιβλιογραφία είναι διαθέσιμη στον παρακάτω σύνδεσμο:

https://drive.google.com/drive/folders/1yrCCCBTLAZP9gnAOW7mbsMR2mPuCAXwj?usp=sharing

 

 

Βιβλιογραφία ανά θεματικό πεδίο

 

Network Virtualization

Management of 5G Services to Support Critical Events in Cities”, 5GCity (TEC2016–76795–C6–1–R), 2018, DOI: 10.3390/sym10050163

Network and Service Management (CNSM), 2017, DOI: 10.23919/CNSM.2017.8255993

16 , Issue: 4 , Dec. 2019), pp: 1318 – 1331, DOI: 10.1109/TNSM.2019.2947905

Algorithms for a Dynamic & Realistic Edge Cloud Environment, GLOBECOM 2017 – IEEE Global

Communications Conference, 2017, DOI: 10.1109/GLOCOM.2017.8254653

  • Jose-Juan Pedreno-Manresa, Pouria Sayyad Khodashenas, Muhammad Shuaib Siddiqui, Pablo Pavon-Marino,

On the Need of Joint Bandwidth and NFV Resource Orchestration: a Realistic 5G Access Network Use Case,

IEEE Communications Letters ( Volume: 22 , Issue: 1 , Jan. 2018 ), pp: 145 – 148, DOI: 10.1109/LCOMM.2017.2760826

Communications (Volume: 35 , Issue: 11 , Nov. 2017), pp: 2512 – 2521, DOI: 10.1109/JSAC.2017.2760147

Conference (GLOBECOM), 2018, DOI: 10.1109/GLOCOM.2018.8647371

  • Tarik Taleb, Miloud Bagaak, Adlen Ksentini, User Mobility-Aware Virtual Network Function Placement for Virtual 5G Network Infrastructure, IEEE International Conference on Communications (ICC), 2015, DOI: 1109/ICC.2015.7248929
  • Francisco Carpio, Admela Jukan, Rastin Pries, Balancing the Migration of Virtual Network Functions with Replications in Data Centers, 2017, arXiv:1705.05573v2
  • Xiaojing Chen, Wei Ni, Tianyi Chen, Iain B. Collings, Xin Wang, Ren Ping Liu, Georgios B. Giannakis, Multi-

Timescale Online Optimization of Network Function Virtualization for Service Chaining, 2018, arXiv:1804.07051v1

Networks, Conference: SOSR (Symposium On SDN Research), 2017, DOI: 10.1145/3050220.3060602

 

Software–defined networking

  • Alex Mavromatis, Carlos Colman-Meixner, Aloizio P. Silva, Xenofon Vasilakos, Reza Nejabati, Dimitra Simeonidou, A Software-Defined IoT Device Management Framework for Edge and Cloud Computing, IEEE

Internet of Things Journal ( Volume: 7 , Issue: 3 , March 2020), pp: 1718 – 1735, DOI: 10.1109/JIOT.2019.2949629

  • Hlabishi I. Kobo, Adnan M. Abu–Mahfouz, Gerhard P. Hancke, A Survey on Software-Defined Wireless Sensor Networks: Challenges and Design Requirements, IEEE Access ( Volume: 5 ), pp: 1872 – 1899, 2017, DOI: 1109/ACCESS.2017.2666200
  • Jungmin Son, TianZhang He, Rajkumar Buyya, CloudSimSDN-NFV: Modeling and simulation of network function virtualization and service function chaining in edge computing environments, Software Practice and Experience 49(6), 2019, DOI: 1002/spe.2755
  • Ruihan Wen, Gang Feng, Jianhua Tang, Tony Q. S. Quek, Gang Wang, Wei Tan, Shuang Qin, On Robustness of Network Slicing for Next Generation Mobile Networks, IEEE Transactions on Communications ( Volume:

67 , Issue: 1 , Jan. 2019 ), pp: 430 – 444, DOI: 10.1109/TCOMM.2018.2868652

  • José L. Romero-Gázquez, M. Victoria Bueno-Delgado, Software Architecture Solution Based on SDN for an Industrial IoT Scenario, Wireless Communications and Mobile Computing, Hindawi, 2018, DOI:

10.1155/2018/2946575

  • Van-Giang Nguyen, Truong-Xuan Do, YoungHan Kim, SDN and Virtualization-Based LTE Mobile Network

Architectures: A Comprehensive Survey, Architectures: A Comprehensive Survey. Wireless Pers

Commun 86, pp:1401–1438, 2016, DOI: 10.1007/s11277–015–2997–7

  • Khaled Alwasel, Rodrigo N. Calheiros, Saurabh Garg, Rajkumar Buyya, Rajiv Ranjan, BigDataSDNSim: A

Simulator for Analyzing Big Data Applications in Software-Defined Cloud Data Centers, 2019, arXiv:1910.04517

  • Clarissa Cassales Marquezan, Xueli An, Zoran Despotovic, Ramin Khalili, Artur Hecker, Identifying Latency

Factors in SDN-based Mobile Core Networks, IEEE Symposium on Computers and Communication (ISCC), 2016, DOI: 10.1109/ISCC.2016.7543785

  • Pongsakorn U-Chupala, Kohei Ichikawa, Hajimu Iida, Nawawit Kessaraphong, Putchong Uthayopas, Susumu Date, Hirotake Abe, Hiroaki Yamanaka, Eiji Kawai, Application-Oriented Bandwidth and Latency Aware

Routing with OpenFlow Network, IEEE 6th International Conference on Cloud Computing Technology and Science, 2014, DOI: 10.1109/CloudCom.2014.90

  • Jie Lu, Zhen Zhang, Tao Hu, Peng Yi, Julong Lan, A Survey of Controller Placement Problem in Softwaredefined Networking, IEEE Access (Volume: 7), pp: 24290 – 24307, DOI: 1109/ACCESS.2019.2893283
  • F.J. Moreno-Muro, C. San-Nicolás-Martínez, M. Garrich, P. Pavon-Marino, O. González de Dios, R. Lopez Da Silva, Latency-aware Optimization of Service Chain Allocation with joint VNF instantiation and SDN metro network control, European Conference on Optical Communication (ECOC), 2018, DOI: 1109/ECOC.2018.8535492
  • Chuangen Gao, Hua Wang, Fangjin Zhu, Linbo Zhai, Shanwen Yi, A Particle Swarm Optimization Algorithm for Controller Placement Problem in Software Defined Network, Algorithms and Architectures for Parallel Processing. ICA3PP 2015. Lecture Notes in Computer Science, vol 9530. Springer, Cham., 2015, DOI:

10.1007/978-3-319-27137-8_4

Networks and Distributed Systems,Article No.: 15 Pages 1–8, 2017, DOI: 10.1145/3102304.3102319

Aditya Akella, OpenNF: Enabling Innovation in Network Function Control, ACM SIGCOMM Computer Communication ReviewVol. 44, No. 4, 2014, DOI: 10.1145/2740070.2626313

International Congress on Information Science and Technology (CiSt), 2018, DOI: 10.1109/CIST.2018.8596577

International Conference on High Performance Computing and Communications; IEEE 17th International

Conference on Smart City; IEEE 5th International Conference on Data Science and Systems

(HPCC/SmartCity/DSS), 2019, DOI: 10.1109/HPCC/SmartCity/DSS.2019.00295

 

Cloud computing – Mobile cloud computing

  • Agustinus Borgy Waluyo, Algorithms, Methods, and Applications in Mobile Computing and Communications Monash University, Australia, ISBN 9781522556947 , 2019
  • Meenakshi Syamkumar, Paul Barford, Ramakrishnan Durairajan, Deployment Characteristics of “The Edge” in Mobile Edge Computing, MECOMM’18: Proceedings of the 2018 Workshop on Mobile Edge Communications, August 2018 Pages 43–49, DOI: 1145/3229556.3229557
  • Bob Briscoe, Anna Brunstrom, Andreas Petlund, David Hayes, David Ros, Ing-Jyh Tsang, Stein Gjessing,

Gorry Fairhurst, Carsten Griwodz, Michael Welzl, Reducing Internet Latency: A Survey of Techniques and

their Merits, IEEE Communications Surveys & Tutorials (Volume: 18 , Issue: 3 , thirdquarter 2016), pp: 2149 – 2196, DOI: 10.1109/COMST.2014.2375213

Alejandra Rodriguez, Ignacio M. Llorente, Sabrina De Capitani di Vimercati, Pierangela Samarati, Dejan

Milojicic, Carlos Varela, Rami Bahsoon, Marcos Dias de Assuncao, Omer Rana, Wanlei Zhou, Hai

Jin, Wolfgang Gentzsch, Albert Y. Zomaya, Haiying Shen, A Manifesto for Future Generation Cloud

Computing: Research Directions for the Next Decade, 2017, arXiv:1711.09123

  • Tim Verbelen, Pieter Simoens, Filip De Turck, Bart Dhoedt, Cloudlets: Bringing the cloud to the mobile user, MCS’12 – Proceedings of the 3rd ACM Workshop on Mobile Cloud Computing and Services, 2012, DOI:

10.1145/2307849.2307858

  • Kiryong Ha, Yoshihisa Abe, Zhuo Chen, Wenlu Hu, Brandon Amos, Padmanabhan Pillai, Mahadev

Satyanarayanan, Adaptive VM Handoff Across Cloudlets, 2015, https://www.cs.cmu.edu/~satya/docdir/CMUCS-15-113.pdf

10.1371/journal.pone.0108275

  • Adlen Ksentini, Tarik Taleb, Min Chen, A Markov Decision Process-based Service Migration Procedure for Follow Me Cloud, IEEE International Conference on Communications (ICC), 2014, DOI: 1109/ICC.2014.6883509
  • Praveena Akki, Poonguzhali.E, Resource Allocation and Storage Using Hungarian Method in Mobile Cloud Computing, International Journal of Advanced Research in Computer Science and Software Engineering,

Volume 3, Issue 8, August 2013, https://docuri.com/download/v3i8-0130_59c1dd69f581710b2868f54a_pdf

  • Jimmy J. Nielsen, Petar Popovski, Latency Analysis of Systems with Multiple Interfaces for Ultra-Reliable

M2M Communication, IEEE 17th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), 2016, DOI: 10.1109/SPAWC.2016.7536857

 

Edge and Fog computing / networking

Placement for Mobile Micro-Clouds with Predicted Future Costs, IEEE Transactions on Parallel and

Distributed Systems ( Volume: 28 , Issue: 4 , April 1 2017 ), pp: 1002 – 1016, DOI: 10.1109/TPDS.2016.2604814

  • Wei Yu, Fan Liang, Xiaofei He, William G. Hatcher, Chao Lu, Jie Lin, Xinyu Yang, A Survey on the Edge Computing for the Internet of Things, IEEE Access ( Volume: 6 ), pp: 6900 – 6919, DOI: 1109/ACCESS.2017.2778504
  • Haoyu Wang, Lina Wang, Zhichao Zhou, Xueqiang Tao, Giovanni Pau, Fabio Arena, Blockchain-Based

Resource Allocation Model in Fog Computing, Applied Sciences. 9. 5538. MDPI, 2019, DOI:10.3390/app9245538

  • José Santos, Tim Wauters, Bruno Volckaert, Filip De Turck, Resource Provisioning in Fog Computing: From Theory to Practice, Medicine, Engineering, Computer Science, Sensors (Basel, Switzerland), 2019, DOI:3390/s19102238
  • Shiqiang Wang, Rahul Urgaonkar, Murtaza Zafer, Ting He, Kevin Chan, Kin K. Leung, Dynamic Service

Migration in Mobile Edge Computing Based on Markov Decision Process, IEEE/ACM Transactions on Networking, June 2019, DOI: 10.1109/TNET.2019.2916577

Deployment, IEEE Transactions on Services Computing ( Volume: 12 , Issue: 5 , Sept.-Oct. 1 2019 ), pp: 750 – 761, DOI: 10.1109/TSC.2018.2842227

  • Tarik Taleb, Adlen Ksentini, Pantelis A. Frangoudis, Follow-Me Cloud: When Cloud Services Follow Mobile Users, IEEE Transactions on Cloud Computing ( Volume: 7 , Issue: 2 , April-June 1 2019 ), pp: 369 – 382, DOI: 1109/TCC.2016.2525987
  • Guangshun Li , Jiping Wang , Junhua Wu , Jianrong Song, Data Processing Delay Optimization in Mobile Edge Computing, Wireless Communications and Mobile Computing, vol. 2018, Article ID 6897523, 9 pages, 2018, DOI: 10.1155/2018/6897523
  • Thomas Dreibholz, Somnath Mazumdar, Feroz Zahid, Amir Taherkordi, Ernst Gunnar Gran, Mobile Edge as

Part of the Multi-Cloud Ecosystem: A Performance Study, 27th Euromicro International Conference on

Parallel, Distributed and Network–Based Processing (PDP), 2019, DOI: 10.1109/EMPDP.2019.8671599

  • Jan Plachy, Zdenek Becvar, Emilio Calvanese Strinati, Dynamic Resource Allocation Exploiting Mobility

Prediction in Mobile Edge Computing, IEEE 27th Annual International Symposium on Personal, Indoor, and

Mobile Radio Communications (PIMRC), 2016, DOI: 10.1109/PIMRC.2016.7794955

10.1145/3083181.3083183

  • Stephen Pasteris, Shiqiang Wang, Mark Herbster, Ting He, Service Placement with Provable Guarantees in Heterogeneous Edge Computing Systems, 2019, arXiv:1906.07055v1
  • Sergej Svorobej, Patricia Takako Endo, Malika Bendechache, Christos Filelis-Papadopoulos , Konstantinos M. Giannoutakis, George A. Gravvanis, Dimitrios Tzovaras, James Byrne, Theo Lynn, Simulating Fog and Edge Computing Scenarios: An Overview and Research Challenges, Future Internet 2019, 11(3), 55, DOI:

10.3390/fi11030055

  • Tom H. Luan, Longxiang Gao, Zhi Li, Yang Xiang, Guiyi We, Limin Sun, Fog Computing: Focusing on Mobile Users at the Edge, 2015, arXiv:1502.01815v3
  • Redowan Mahmud, Kotagiri Ramamohanarao, Rajkumar Buyya, Latency-Aware Application Module Management for Fog Computing Environments, ACM Transactions on Internet Technology 19(1), March 2018, DOI: 10.1145/3186592
  • Antonio A. T. R. Coutinho, Fabıola Greve, Cassio Prazeres, An Architecture for Fog Computing Emulation,

2017, https://sol.sbc.org.br/index.php/wcga/article/download/2552/2514/

10.1016/j.dcan.2017.07.001

Transparent Virtual Machine Migration in Distributed Edge Clouds, SEC ’17: Proceedings of the Second

ACM/IEEE Symposium on Edge Computing, October 2017 Article No.: 10, pp: 1–13, DOI:

10.1145/3132211.3134445

Computer Communications, Volume 148, 15 December 2019, pp: 17-26, DOI: 10.1016/j.comcom.2019.08.024

Computations, Cloudification of the Internet of Things (CIoT), 2016, DOI: 10.1109/CIOT.2016.7872914

Migration and Workload Scheduling in Micro-Clouds, Performance Evaluation. 91, July 2015, DOI: 10.1016/j.peva.2015.06.013

Things, MCC ’12: Proceedings of the first edition of the MCC workshop on Mobile cloud computing, August 2012, pp: 13–16, DOI: 10.1145/2342509.2342513

Primer, IJCSNS International Journal of Computer Science and Network Security, VOL.19 No.6,pp:1-11, June 2019, http://paper.ijcsns.org/07_book/201906/20190601.pdf

  • Ting He, Hana Khamfroush, Shiqiang Wang, Tom La Porta, Sebastian Stein, It’s Hard to Share: Joint Service Placement and Request Scheduling in Edge Clouds with Sharable and Non-sharable Resources, IEEE 38th

International Conference on Distributed Computing Systems (ICDCS), 2018, DOI: 10.1109/ICDCS.2018.00044

Software and Applications Conference (COMPSAC), July 2017, DOI:10.1109/COMPSAC.2017.190

Distributed Edge Clouds, IEEE 37th International Conference on Distributed Computing Systems (ICDCS), 2017, DOI: 10.1109/ICDCS.2017.30

Storage Offloading, IEEE International Conference on Cloud Computing Technology and Science, 2018, DOI: 10.1109/CloudCom2018.2018.00025

Through a Combined Communication and Computation Approach, IEEE 84th Vehicular Technology Conference (VTC–Fall), 2016, DOI: 10.1109/VTCFall.2016.7881581

  • Konstantinos Poularakis, Jaime Llorca, Antonia M. Tulino, Ian Taylor, Leandros Tassiulas, Joint Service Placement and Request Routing in Multi-cell Mobile Edge Computing Networks, IEEE INFOCOM 2019 –

IEEE Conference on Computer Communications, 2019, DOI: 10.1109/INFOCOM.2019.8737385

 

Internet of Things

Samee Khan, System modelling and performance evaluation of a three-tier Cloud of Things, Future Generation

Computer Systems, Volume 70, May 2017, pp: 104-125, DOI:10.1016/j.future.2016.06.019

  • Chengzhang Li, Shaoran Li, Yongce Chen, Y. Thomas Hou, Wenjing Lou, Minimizing Age of Information under General Models for IoT Data Collection, IEEE Transactions on Network Science and

Engineering PP(99):1-1, November 2019, DOI: 10.1109/TNSE.2019.2952764

  • Lars Moller Mikkelsen, Tatiana Kozlova Madsen, Hans-Peter Schwefel, On the Benefits and Challenges of Crowd-Sourced Network Performance Measurements for IoT Scenarios, Wireless Personal Communications (2020) 110:1551–1566, DOI: 1007/s11277–019–06801–4
  • Muzakkir Hussain, M.M. Sufyan Beg, Fog Computing for Internet of Things (IoT)-Aided Smart Grid

Architectures, Big Data Cogn. Comput. 2019, 3(1), 8, DOI: 10.3390/bdcc3010008

Evolution and Architec, 2nd International Conference on Computer, Communication, and Signal Processing (ICCCSP), 2018, DOI: 10.1109/ICCCSP.2018.8452820

  • Khalid Haseeb, Ikram Ud Din, Ahmad Almogren, Naveed Islam, An Energy Efficient and Secure IoT-Based WSN Framework: An Application to Smart Agriculture, Sensors (Basel). 2020 Apr; 20(7): 2081, DOI:3390/s20072081
  • TaeYoung Kim, JongBeom Lim, An edge cloud–based body data sensing architecture for artificial intelligence computation, International Journal of Distributed Sensor Networks 15(4):155014771983901, April 2019, DOI: 1177/1550147719839014
  • Binh Minh Nguyen, Huynh Thi Thanh Binh, Tran The Anh, Do Bao Son, Evolutionary Algorithms to Optimize

Task Scheduling Problem for the IoT Based Bag-of-Tasks Application in Cloud–Fog Computing Environment, Applied Sciences 9(9):1730, April 2019, DOI: 10.3390/app9091730

  • Paolo Bellavista, Javier Berrocal, Antonio Corradi, Sajal K. Das, Luca Foschini, Alessandro Zanni, A survey on fog computing for the Internet of Things, Pervasive and Mobile Computing, Volume 52, January 2019, pp: 7199, DOI: 1016/j.pmcj.2018.12.007
  • Ruozhou Yu, Guoliang Xue, Xiang Zhang, Application Provisioning in Fog Computing-enabled Internet-ofThings: A Network Perspective, IEEE INFOCOM 2018 – IEEE Conference on Computer Communications, 2018, DOI: 1109/INFOCOM.2018.8486269
  • Jasmin Guth, Uwe Breitenbücher, Michael Falkenthal, Paul Fremantle, Oliver Kopp, Frank Leymann, Lukas Reinfurt, A Detailed Analysis of IoT Platform Architectures: Concepts, Similarities, and Differences, Internet of Everything. Internet of Things (Technology, Communications and Computing). Springer, 2018, DOI: 10.1007/978-981-10-5861-5_4
  • Victor Valls, George Iosifidis, Theodoros Salonidis, Maximum Lifetime Analytics in IoT Networks, 2019, arXiv:1904.09827v1
  • Subhrendu Chattopadhyay, Soumyajit Chatterjee, Sukumar Nandi, Sandip Chakraborty, Aloe: An Elastic Auto-

Scaled and Self-stabilized Orchestration Framework for IoT Applications, IEEE INFOCOM 2019 – IEEE

Conference on Computer Communications, 2019, DOI: 10.1109/INFOCOM.2019.8737656

  • Lorenzo Corneo, Christian Rohner, Per Gunningberg, Age of Information-Aware Scheduling for Timely and

Scalable Internet of Things Applications, IEEE INFOCOM 2019 – IEEE Conference on Computer Communications, 2019, DOI: 10.1109/INFOCOM.2019.8737497

 

5G Networks

  • Akihiro Nakao, Ping Du, Yoshiaki Kiriha, Fabrizio Granelli, Anteneh Atumo Gebremariam, Tarik

Taleb, Miloud Bagaa, End-to-end Network Slicing for 5G Mobile Networks, Journal of Information

Processing, 2017, Volume 25, Pages 153-163, Released February 15, 2017, DOI:10.2197/ipsjjip.25.153

  • 3GPP TS 23.501 V16.0.0 (2019-03), Technical Specification Group Services and System Aspects; System

Architecture for the 5G System;Stage 2 (Release 16),

https://www.3gpp.org/ftp/Specs/archive/23_series/23.501/23501-g30.zip

  • Susanna Schwarzmann, Clarissa Cassales Marquezan, Marcin Bosk, Huiran Liu, Riccardo Trivisonno, Thomas Zinner, Estimating Video Streaming QoE in the 5G Architecture Using Machine Learning, Internet–QoE’19:

Proceedings of the 4th Internet–QoE Workshop on QoE–based Analysis and Management of Data

Communication Networks, October 2019, pp: 7–12, DOI:10.1145/3349611.3355547

  • Frank Mademann, The 5G System Architecture, Journal of ICT, Vol. 6 1&2, 77–86. River Publishers, 2018, DOI:10.13052/jicts2245-800X.615
  • Christoforos Vlachos, Vasilis Friderikos, Mischa Dohler, Optimal Virtualized Inter-Tenant Resource Sharing for Device-to-Device Communications in 5G Networks, Mobile Netw Appl 22, 1010–1019 (2017), DOI: 1007/s11036–017–0822–0
  • Faqir Zarrar Yousaf, Michael Bredel, Sibylle Schaller, Fabian Schneider, NFV and SDN – Key Technology Enablers for 5G Networks, IEEE Journal on Selected Areas in Communications ( Volume: 35, Issue: 11, 2017), pp: 2468 – 2478, DOI: 10.1109/JSAC.2017.2760418
  • Raúl Chávez-Santiago, Michał Szydełko, Adrian Kliks, Fotis Foukalas, Yoram Haddad, Keith E. Nolan, Mark
  1. Kelly, Moshe T. Masonta, Ilangko Balasingham, 5G: The Convergence of Wireless Communications,

Wireless Pers Commun 83, 1617–1642 (2015), DOI: 10.1007/s11277–015–2467–2

DOI: 10.1109/NETSOFT.2019.8806646

14.3.0 Release 14), ETSI 2017,

https://www.etsi.org/deliver/etsi_tr/138900_138999/138913/14.03.00_60/tr_138913v140300p.pdf

 

Quality–of–Service and resource management

  • Saad Mubeen, Sara Abbaspour Asadollah, Alessandro V. Papadopoulos, Mohammad Ashjaei, Hongyu PeiBreivold, Moris Behnam, Management of Service Level Agreements for Cloud Services in IoT: A Systematic

Mapping Study, IEEE Access ( Volume: 6), pp: 30184 – 30207, 25 August 2017, DOI: 10.1109/ACCESS.2017.2744677

  • Shivani, Ajmer Singh, Taxonomy of SLA violation minimization techniques in cloud computing, Second

International Conference on Inventive Communication and Computational Technologies (ICICCT), 2018, DOI: 10.1109/ICICCT.2018.8473230

  • Mostafa Ghobaei-Arani, Alireza Souri, Ali A. Rahmanian, Resource Management Approaches in Fog Computing: a Comprehensive Review, J Grid Computing 18, 1–42 (2020), DOI:1007/s10723–019–09491–1
  • Kuo-Chan Huang, Mu-Jung Tsai, Sin-Ji Lu, Chun-Hao Hung, SLA-constrained service selection for minimizing costs of providing composite cloud services under stochastic runtime performance,

Springerplus. 2016; 5: 294, DOI: 10.1186/s40064–016–1938–6

  • Kai Lin, Sameer Pankaj, Di Wang, Task offloading and resource allocation for edge-of-things computing on smart healthcare systems, Computers & Electrical Engineering, Volume 72, November 2018, pp: 348-360, DOI: 1016/j.compeleceng.2018.10.003
  • Frederic Nzanywayingoma, Yang Yang, Efficient resource management techniques in cloud computing environment: a review and discussion, International Journal of Computers and Applications, 2018, DOI: 1080/1206212X.2017.1416558
  • Guangshun Li, Jianrong Song, Junhua Wu, Jiping Wang, Method of Resource Estimation Based on QoS in

Edge Computing, Hindawi Wireless Communications and Mobile Computing Volume 2018, Article ID 7308913, January 2018, DOI: 10.1155/2018/7308913

  • Inderveer Chana, Sukhpal Singh, Quality of Service and Service Level Agreements for Cloud Environments: Issues and Challenges, Cloud Computing. Computer Communications and Networks. Springer, 2014, DOI:10.1007/978-3-319-10530-7_3
  • Redowan Mahmud, Satish Narayana Srirama, Kotagiri Ramamohanarao, Rajkumar Buyya, Quality of

Experience (QoE)-aware Placement of Applications in Fog Computing Environments, Journal of Parallel and

Distributed Computing, Volume 132, October 2019, pp: 190-203, DOI: 10.1016/j.jpdc.2018.03.004

Management, Advances in Science, Technology and Engineering Systems Journal Vol. 4, No. 2, 228-236 (2019), DOI: 10.25046/aj040230

10.1145/1890799.1890803

Service Migration Procedure for Follow Me Cloud to support QoS and QoE, IEEE International Conference on Communications (ICC), 2016, DOI: 10.1109/ICC.2016.7511148

  • Anton Beloglazov, Rajkumar Buyya, Energy Efficient Resource Management in Virtualized Cloud Data Centers, 10th IEEE/ACM International Conference on Cluster, Cloud and Grid Computing, 2010, DOI: 1109/CCGRID.2010.46
  • Saravanan, V.Venkatachalam, S.Then Malligai, Optimization of SLA Violation In Cloud Computing Using

Artificial Bee Colony, International Journal of Advances in Engineering, 2015, 1(3), pp:410 – 414, ISSN: 23949260

 

Wireless Sensor Networks

Network Applications and Energy Efficient Routing Protocols, Wireless Pers Commun 101, 1019–1055, Springer, 2018, DOI: 10.1007/s11277–018–5747–9

  • Rawat, P., Singh, K.D., Chaouchi, H. et al. Wireless sensor networks: a survey on recent developments and potential synergies, J Supercomput 68, 1–48, Springer, 2014, DOI: 1007/s11227–013–1021–9
  • Yunquan Gao, Xiaoyong Li, Jirui Li, Yali Gao, Distributed and Efficient Minimum-Latency Data Aggregation Scheduling for Multi-Channel Wireless Sensor Networks, IEEE Internet of Things Journal ( Volume: 6, Issue: 5, 2019), pp: 8482 – 8495, DOI: 10.1109/JIOT.2019.2919639
  • Mohammed Sulaiman BenSaleh, Raoudha Saida, Yessine Hadj Kacem, Mohamed Abid, Wireless Sensor

Network Design Methodologies: A Survey, Journal of Sensors, vol. 2020, Article ID 9592836, 13 pages, 2020, DOI: 10.1155/2020/9592836

 

Big Data and Machine Learning for networks

  • Josu Diaz-de-Arcaya, Raul Minon, Ana I. Torre-Bastida, Towards an Architecture for Big Data Analytics

Leveraging Edge/Fog Paradigms, ECSA ’19: Proceedings of the 13th European Conference on Software

Architecture – Volume 2, September 2019, pp: 173–176, DOI: 10.1145/3344948.3344987

  • Mirza Golam Kibria, Kien Nguyen, Gabriel Porto Villardi, Ou Zhao, Kentaro Ishizu, Fumihide Kojima, Big Data Analytics, Machine Learning and Artificial Intelligence in Next-Generation Wireless Networks, IEEE

Access ( Volume: 6), pp: 32328 – 32338, 17 May 2018, DOI: 10.1109/ACCESS.2018.2837692

  • Sajjad Hossain, Cosmas Ifeanyi Nwakanma, Jae Min Lee, Dong-Seong Kim, Edge computational task offloading scheme using reinforcement learning for IIoT scenario, ICT Express, 2020, DOI:10.1016/j.icte.2020.06.002
  • Xiaofei Wang, Yiwen Han, Chenyang Wang, Qiyang Zhao, Xu Chen, Min Chen, In-Edge AI: Intelligentizing Mobile Edge Computing, Caching and Communication by Federated Learning, IEEE Network ( Volume:

33, Issue: 5, Sept.-Oct. 2019), pp: 156 – 165, DOI: 10.1109/MNET.2019.1800286

  • Sabidur Rahman, Tanjila Ahmed, Minh Huynh, Massimo Tornatore, Biswanath Mukherjee, Auto-Scaling Network Resources using Machine Learning to Improve QoS and Reduce Cost, IEEE International Conference on Communications (ICC), 2018, DOI: 1109/ICC.2018.8422788
  • Canh Dinh, Nguyen H. Tran, Minh N. H. Nguyen, Choong Seon Hong, Wei Bao, Albert Y. Zomaya, Vincent Gramoli, Federated Learning over Wireless Networks: Convergence Analysis and Resource Allocation, 2019, arXiv:1910.13067v3
  • Hee-Gon Kim, Se-Yeon Jeong, Do-Young Lee, Heeyoul Cho, Jae-Hyung Yoo, James Won-Ki Hong, A Deep

Learning Approach to VNF Resource Prediction using Correlation between VNFs, IEEE Conference on

Network Softwarization (NetSoft), 2019, DOI: 10.1109/NETSOFT.2019.8806620

  • Houda Jmila, Mohamed Ibn Khedher, Mounim A. El Yacoubi, Estimating VNF Resource Requirements Using

Machine Learning Techniques, Neural Information Processing. ICONIP 2017. Lecture Notes in Computer

Science, vol 10634. Springer, , 2017, DOI: 10.1007/978-3-319-70087-8_90

Wireless Networks: Optimization Model Design and Analysis,  IEEE INFOCOM 2019 – IEEE Conference on Computer Communications, 2019, DOI: 10.1109/INFOCOM.2019.8737464

 

Mobility management and models

125711 – 125731, 03 September 2019, DOI: 10.1109/ACCESS.2019.2939203

Intelligence (AAAI 2012), 2012, https://www.microsoft.com/en–us/research/wpcontent/uploads/2016/12/Sadilek–Krumm_Far–Out_AAAI–2012.pdf

10.1145/1374688.1374695

Models on the Performance of Bypass-AODV in Ad Hoc Wireless Networks,  J Wireless Com Network 2010, 239370, Springer, 2010, DOI: 10.1155/2010/239370

  • Stefano Basagni, Alessio Carosi, Chiara Petrioli, Mobility in Wireless Sensor Networks, Innovative Data

Communication Technologies and Application. ICIDCA 2019. Lecture Notes on Data Engineering and

Communications Technologies, vol 46. Springer, 2020, DOI: 10.1007/978-3-030-38040-3_19

Network, IEEE International Symposium on Modeling, Analysis and Simulation of Computers and

Telecommunication Systems, 2008, DOI: 10.1109/MASCOT.2008.4770552

  • Aniket Pramanik, Biplav Choudhury, Tameem S. Choudhury, Wasim Arif, J. Mehedi, Behavioral Study of

Random Waypoint Mobility Model based Energy Aware MANET, 3rd International Conference on Signal

Processing and Integrated Networks (SPIN), 2016, DOI:10.1109/SPIN.2016.7566772

10.1007/978-3-642-03668-2_25

10.1002/wcm.72

  • Mirco Musolesi, Cecilia Mascolo, Mobility Models for Systems Evaluation, Middleware for Network Eccentric and Mobile Applications, Springer, 2009, DOI: 10.1007/978-3-540-89707-1_3
  • David H. S. Lima, Andre L. L. Aquino, Marilia Curado, A Review of Mobility Prediction Models Applied in Cloud/Fog Environments, Parallel Processing Workshops. Euro-Par 2018. Lecture Notes in Computer Science, vol 11339. Springer, 2019, DOI: 1007/978-3-030-10549-5_21
  • Shanzhi Chen, Yan Shi, Bo Hu, Ming Ai, Mobility-Driven Networks (MDN): From Evolution to Visions of

Mobility Management,  IEEE Network ( Volume: 28, Issue: 4, July-August 2014), pp: 66 – 73, DOI: 10.1109/MNET.2014.6863134

DOI: 10.1109/ISCC.2014.6912581

 

Crowdsensing

  • Jose Mauricio Nava Auza, Jose Roberto Boisson de Marca, Glaucio Lima Siqueira, Design of a Local Information Incentive Mechanism for Mobile Crowdsensing, Sensors (Basel). 2019 Jun; 19(11): 2532, DOI:

10.3390/s19112532

  • Willian Zamora, Carlos T. Calafate, Juan-Carlos Cano, Pietro Manzoni, A Survey on Smartphone-Based

Crowdsensing Solutions, Mobile Information Systems Volume 2016, Article ID 9681842, 26 pages, Hindawi Publishing Corporation, 2016, DOI: 10.1155/2016/9681842

  • Marzano G., Lubkina V., CityBook: A Mobile Crowdsourcing and Crowdsensing Platform, Advances in

Information and Communication. FICC 2019. Lecture Notes in Networks and Systems, vol 69. Springer, 2020, DOI:10.1007/978-3-030-12388-8_30

Applications, Volume 82, pp: 152-165, Elsevier, 15 March 2017, DOI:10.1016/j.jnca.2017.01.012

  • Virginia Pilloni, How Data Will Transform Industrial Processes: Crowdsensing, Crowdsourcing and Big Data as Pillars of Industry 4.0, Future Internet 2018, 10(3), 24, DOI: 3390/fi10030024
  • Djallel Eddine Boubiche, Muhammad Imran, Aneela Maqsood, Muhammad Shoaib, Mobile Crowd Sensing – Taxonomy, Applications, Challenges, and Solutions, Computers in Human Behavior, 2018, DOI:

10.1016/j.chb.2018.10.028

  • Jiangtao Wang, Leye Wang, Yasha Wang, Daqing Zhang, Linghe Kong, Task Allocation in Mobile Crowd Sensing: State of the Art and Future Opportunities, IEEE Internet of Things Journal ( Volume: 5, Issue: 5, 2018), pp: 3747 – 3757, DOI: 10.1109/JIOT.2018.2864341
  • Bin Guo, Zhu Wang, Zhiwen Yu, Yu Wang, Neil Y. Yen, Runhe Huang,Xingshe Zhou, Mobile Crowd Sensing and Computing: The Review of an Emerging Human-Powered Sensing Paradigm. ACM Comput. Surv. 48, 1, Article 7 (September 2015), DOI:10.1145/2794400
  • Bin Guo, Zhiwen Yu, Xingshe Zhou, Daqing Zhang, From Participatory Sensing to Mobile Crowd Sensing,

IEEE International Conference on Pervasive Computing and Communication Workshops (PERCOM WORKSHOPS), 2014, DOI: 10.1109/PerComW.2014.6815273