Value-of-Information Middlewares for Fog and Edge Computing

Fog and Edge Computing aim to deliver low-latency, immersive, and powerful services by processing information close to both devices and users. This is well suited for IoT applications in Smart City, where IoT gateways, Cloudlets, Base Stations, and other computational nodes can process (part of) the data generated by the multitude of IoT sensors directly at the edge of the network. However, the implementation of Fog and Edge Computing is challenging because it requires to deal with a (limited number of) constrained devices, dynamic services' requirements, and heterogeneous network conditions. Differently from the Cloud, where computational resources are supposed to be unlimited, Fog and Edge services should be capable to adapt to scarce and constrained resources and deal with the deluge of IoT data. To facilitate the adoption of Fog and Edge Computing this thesis proposes innovative middlewares capable of providing comprehensive solutions to address the highly dynamic characteristics of these environments. These middlewares provide functions to allocate and distribute Fog and Edge services among the available computational devices, monitor the status of the environment, and promptly modify their configuration. To deal with the IoT data deluge this thesis investigates the interesting criterion of Value-of-Information (VoI). Originally born as an extension of Shannon's Information Theory for decision making science, researchers have studied VoI as an information management tool to select and prioritize information processing and dissemination. For this purpose, this thesis proposes the adoption of information management policies allowing the definition of service components, composable software modules that can be chained to create larger and more complex services. In addition, the middlewares presented in this thesis leverage the promising concept of VoI to select only the most valuable piece of information for processing and dissemination and to scale computational workload in an automated and lossiness fashion. This would enable to reduce the computational and network load and to propose innovative methodologies to optimize the available resources. The research efforts presented in this thesis are the results of the collaboration with international institutes and a research period at the Florida Institute for Human and Machine Cognition (IHMC), FL, USA.Con i termini Fog ed Edge Computing si indicano dei paradigmi computazionali che, spostando l'elaborazione dei dati IoT nelle prossimità sia dei dispositivi che degli utenti, mirano a fornire servizi a bassa latenza, immersivi e real-time. Fog ed Edge Computing trovano applicazione in contesti Smart Cities, dove è possibile sfruttare la capacità computazionale di gateway IoT, Cloudlet e Base Station per elaborare parte dei dati generati dall'IoT direttamente ai margini della rete. L'adozione dei paradigmi di Fog ed Edge Computing è tuttavia complessa in quanto pone una serie di sfide tra cui il processamento dell’enorme mole di dati generati dall’IoT, la presenza di un numero limitato di dispositivi altamente eterogenei e con capacità computazionali scarse, requisiti di servizio altamente dinamici e reti con caratteristiche eterogenee. Per garantire i requisiti stringenti di bassa latenza, soluzioni per Fog ed Edge Computing devono essere in grado di utilizzare al meglio le scarse risorse a disposizione, gestendole al meglio. Se questi paradigmi sono oggetto di ampie ricerche, vi è la necessità di investigare soluzioni innovative che consentano di gestire l’enorme mole dati IoT e permettere una concreta applicazione di Fog ed Edge Computing. Questa tesi propone middleware innovativi in grado di fornire soluzioni complete per fronteggiare al meglio le caratteristiche altamente dinamiche di scenari Smart Cities, fornendo metodologie e strumenti per allocare e distribuire servizi tra le risorse a disposizione, monitorare lo stato delle risorse e modificare prontamente la loro configurazione. Come criterio innovativo per la prioritizzazione dei dati IoT per processamento e disseminazione, questa tesi adotta il concetto di Value-of-Information (VoI), nato come estensione della Teoria dell'Informazione di Shannon e applicato in ambiti decisionali. A tal fine, questa tesi propone politiche di gestione delle informazioni che consentono di realizzare servizi modulari e facilmente (ri-)componibili e tecniche di ottimizzazione innovative che ben si adattano a questi servizi. Inoltre, i middleware presentati in questa tesi integrano il concetto di VoI sia a livello di servizio che a livello di gestione per selezionare le informazioni più preziose per l'elaborazione e la diffusione, riducendo così il carico computazionale e garantendo una gestione ottimale dei dispositivi e della rete. Le ricerche presentate in questa tesi sono il risultato della collaborazione con istituti di ricerca internazionali e di un periodo di ricerca trascorso presso il Florida Institute for Human and Machine Cognition (IHMC), FL, USA