这篇论文的标题是《Energy-Efficient Edge-Fog-Cloud Architecture for IoT-Based Smart Agriculture Environment》，作者是Hatem A. Alharbi和Mohammad Aldossary，发表在IEEE Access期刊上。论文的主要内容可以概括为以下几个部分：
摘要：
- 论文提出了一种新的集成边缘-雾-云架构范式，旨在提高智能农业系统的能源效率和相应的碳排放。
- 该架构允许从多个传感器收集数据，并在边缘、雾和云多个层次上处理和分析需要实时操作的农业数据。
- 通过减少对云层的负载，有助于提高整体能源消耗和有效处理农业应用/服务。
- 使用混合整数线性规划（MILP）进行数学建模，并与传统实现进行比较分析。
- 结果显示，与传统的基于云的架构相比，提出的架构在减少整体能源消耗和碳排放方面表现更优。
关键词：
- 智能农业
- 边缘-雾-云计算
- 物联网
- 能源效率
- 碳排放
引言：
- 论文介绍了物联网（IoT）如何改变人们的工作和生活方式，特别是在农业领域。
- IoT设备的数量预计到2025年将达到100亿，经济影响超过11万亿美元。
- 智能农业已经开始整合IoT解决方案，以提高操作效率、最大化产量并最小化浪费。
提出的架构：
- 论文提出了一个包含四个基本层次的智能农业系统架构：物联网传感器层、边缘层、雾层和云层。
- 每个层次都有其特定的角色和功能，如物联网传感器层负责生成大量异构数据，边缘层和雾层负责处理和分析数据，云层负责存储和处理更复杂的数据。
MILP模型：
- 论文开发了一个新的基于MILP优化模型的方法，用于研究在边缘-雾-云架构中卸载IoT农业应用的能源效率。
- 详细介绍了模型的参数和变量，以及如何计算不同层次的能耗。
MILP模型的目标
MILP模型的主要目标是最小化整个系统的总功耗，这包括广域网（WAN）、城域网（MAN）、局域网（LAN）、物联网（IoT）、云、雾和边缘层的功耗。
MILP模型的参数和变量
模型中定义了一系列的参数和变量来表示不同层次的资源和任务需求。例如，IoT传感器层的功耗由传感器和网关设备的功耗组成。边缘、雾和云层的功耗则考虑了处理和网络设备的功耗，以及各自的功率使用效率（PUE）。
MILP模型的约束条件
模型包括多个约束条件，以确保所有IoT任务都能在合适的层级上得到处理，并且网络流量和功耗都在可接受的范围内。这些约束条件包括：
- IoT卸载约束：确保所有从IoT传感器卸载的任务都能在云、雾或边缘节点上得到处理。
- IoT应用在边缘/雾/云的约束：确保二进制变量正确地表示处理节点是否被激活来放置IoT应用。
- 物理链路激活：确保如果节点之间有流量传输通过物理链路，则该链路被激活。
- 边缘、雾和云的处理需求：确保IoT应用的处理需求与分配给它们的计算资源相匹配。
- 流量守恒约束：确保在WAN网络中，除了源/汇聚节点外，所有节点的总入站/出站流量相同。
- 物理链路容量：确保链路中的流量不超过光纤的最大容量。
- 路由器端口和ONU终端的数量：确保网络中的路由器端口和ONU终端数量满足流量需求。
MILP模型的优化
MILP模型通过求解这些方程和约束来找到最优的IoT应用分配方案，以最小化整个系统的能耗。模型使用CPLEX求解器在高性能计算环境下运行。
MILP模型的结果
论文中通过MILP模型的计算结果表明，与传统的基于云的架构相比，提出的边缘-雾-云架构能够显著降低整体能耗和碳排放。
MILP模型的总结
MILP模型为智能农业系统中的能耗优化提供了一个有力的数学工具，通过精确的计算和优化，能够在保证服务质量的前提下，实现能源效率的最大化。
模型设计和场景：
- 论文讨论了模型的不同场景和设计，包括如何根据农业任务的资源需求在边缘、雾和云层之间分配任务。
结果和讨论：
- 论文展示了提出的架构与传统云基础架构相比在能源消耗、CO2排放和网络流量方面的优势。
- 使用MILP优化器基于AT&T网络拓扑评估了提出的架构和模型。
启发式算法：
- 论文开发了一个启发式算法（EEAIOT-EFC），用于验证和模拟提出的方法，并与传统的MILP模型进行了比较。
结论和未来工作：
- 论文总结了提出的边缘-雾-云架构在智能农业系统中的优势，并提出了未来的研究方向。
致谢：
- 作者感谢Taibah University和Prince Sattam Bin Abdulaziz University的支持。
参考文献：
- 论文列出了相关的参考文献，以支持研究和论点。
这篇论文的核心贡献在于提出了一种新的计算架构，通过在边缘、雾和云之间分配任务，以提高智能农业系统的能源效率和减少环境影响。通过数学建模和启发式算法，论文验证了所提架构的有效性。
