当数十亿设备都连接到互联网,云很快将无法承受作为集中式服务器提供服务。随着计算中心、电信、固定和移动设备的综合发展,云计算正在经历快速变革,移动用户的增加加速了这种变化。互联网的共享化使得网站服务在全世界推广,而这些服务需要云计算基础设施所提供的大量的计算资源来支撑用户的查询需求。大多数云计算基础设施主要托管在超大型数据中心以实现规模经济。因此,数千台计算机服务器被分组部署在能量和冷却设施完备的超大型数据中心。这些大型数据中心依赖其电气设备和空调设施。除了在能源和冷却方面的消费,长期购买计算机设备的成本也较大。因此大型数据中心规模的增加会导致成本增长,同时也会引起新的基础设施的发明以满足供应需求。由于煤导致污染,美国一些州已经开始建造新能源发电站,云计算领域的主要玩家则倾向于通过在数据中心附近安装太阳能电池板来供应可再生能源数据中心(例如北卡罗来纳州Apple数据中心)。这种将计算资源的生产集中在少数较大的数据中心的模型的可行性在诸如容错方面尚有争议,尤其是自然灾害或人为错误。在2012年圣诞节假期期间,亚马逊云计算平台(Elastic Load Balancer)的其中一个组件不稳定,导致一些数据中心故障以及所有在这些中心内托管的服务暂停。除了对亚马逊的影响外,这次的事故还影响了其客户,如Netflix,这是一家托管于亚马逊平台的提供视频服务的网站。由于网络互联网与部分亚马逊基础设施之间的连接损失,Netflix服务在此期间的服务质量明显下降。这些大型数据中心的第二个限制主要是它们无法保证服务的主机接近所有最终用户。该现象对具有全球受众的服务尤甚,该类服务所面向的用户分布在全球各地,如社交网络。此时基础设施需要在数据中心和最终用户之间建立连接就会导致过度请求。由于普通云不足以满足物联网的设备管理和数据处理要求,思科正在研发满足物联网系统的解决方案,即雾计算。雾计算,也称为云雾计算,是一个引起广泛关注的新概念。雾计算通过在物联网设备附近的网络节点上进行计算、存储、网络连接和数据管理,弥补了云和终端设备之间的差距。如今随着越来越多的公司了解到其益处,市场上有了各种各样的解决方案。雾计算是一种分布式的基础设施,是硬件和远程服务器之间的中介。它规定了应将哪些信息发送到服务器以及哪些信息可以在本地处理。通过这种方式,雾可以看作一种智能网关,能够使云负载均衡,从而实现更高效的数据存储处理和分析。伴随着智能手机应用的成功和物联网的出现,为了构建能支持相应需求的平台,云雾计算基础设施被提出。计算资源的用户预计将越来越多并且广泛分散,云雾计算将计算基础设施迁移到网络的末端,以便能够实现限制拥塞网络的本地处理。雾计算环境通常是由传统的网络组件组成,例如路由器、交换机、机顶盒和代理服务器等。这些组件具有不同的计算、存储、网络等能力,并支持服务应用程序的执行。因此,网络组件使雾计算能够实现基于云服务的地理分散式分布。此外,雾计算有助于提高位置感知,移动性支持,实时交互,可扩展性和互操作性。关于云雾计算的大部分提案通过增加“代理”服务的中间层,解决了在传统的云计算基础架构中托管服务和移动应用程序之间的距离问题。云-雾计算能够满足新的应用需求,在带宽,延迟,可扩展性,可靠性和数据量方面能够满足增强现实、在线游戏、视频流和M2M应用(如车辆和视频监控、电子健康等)的服务等级协议(SLA)。与云计算不同,雾计算(或边缘计算)更接近连接对象。它直接在链接到对象的路由器中实现本地存储和数据分析。这被称为网络边缘化。该技术的优点是能(近)实时处理数据,其中分析算法直接在网络边缘实现本地托管。这使信息的准实时处理成为可能,并且因为只需报告中心信息网络通信能畅通。在较不拥挤的网络中,信息可以更快地识别,最终提高数据的安全性,从而有助于识别网络团队的威胁。为了保证预期的敏捷性,雾计算架构有两层:一个是抽象层,它提供统一的可编程接口,可以隐藏底层雾资源(例如移动设备传感器、接入点和接入路由器等)的异构性,另一个是提供数据聚合、决策制定、资源分配和管理的业务流程层。在抽象层中,一个统一的编程模型可以定义与这个雾架构兼容的应用程序开发所需的基元和抽象。云雾计算在服务延迟,功耗,网络流量,资本和运营费用,内容分发等方面具有高效性。在这个意义上,相比于单独使用云计算,雾计算能更好地满足物联网应用的要求。IaaS云服务日益增长的需求需要对Fog基础架构进行可执行性分析,这是保证云用户服务质量(QoS)的重要要求。为有效的评估,考虑了分析建模方法。本文旨在通过使用连续时间马尔可夫链(CTMC)为Fog数据中心开发单片模型,该模型特点如下:(1)由活动和备用物理设备(PD)组成,(2)允许物理设备在活动和备用物理设备池之间迁移,(3)所有作业是同类的,(4)当为作业工作的物理设备发生故障时,正在运行的作业可以通过使用空闲的活动物理设备继续运行。用于可执行性分析的单片CTMC模型可用于验证可伸缩近似模型。本文详细介绍了所提模型的状态转移规则和计算指标的公式,包括即时服务概率和平均响应时间等,并通过数值分析和模拟实验验证了所提出模型的准确性。本文的主要贡献是详细描述了状态转换规则,给出了计算性能测量的公式,并给出了数值实验结果,从而验证了模型的准确性。本论文分为五章:第一章详细地介绍了云计算和雾计算,以及本文的主要内容。第二章介绍了相关的工作和背景知识,并给出了雾计算概念的出现和演变和云雾计算的一些要点。云雾计算不是完全替代云模型,而是协助分散用户附近的数据中心的服务器、存储、应用和服务等集中的计算资源以提高服务质量。第三章介绍了分析建模、性能评估、仿真和马尔可夫模型的形式化和系统建模。第四章通过分析和模拟方法评估了性能,并讨论结果。第五章总结论文以及讨论未来工作的可能方向。