DeFog

DeFog是由贝尔法斯特女王大学开发的首个雾计算基准套件，旨在通过标准化方法减轻雾计算基准测试的负担，并收集相关指标以理解目标平台的性能。该数据集包含六个与边缘计算相关的应用程序，适用于评估云-边缘部署平台的性能。DeFog通过自动化部署和指标收集，帮助研究人员和开发者在不同部署模式下比较和优化应用程序性能，特别关注延迟、并发用户和资源竞争等关键性能指标。数据集的应用领域广泛，包括硬件供应商、互联网服务提供商和系统软件管理员，旨在解决雾计算环境中的性能优化和资源分配问题。

DeFog is the first fog computing benchmark suite developed by Queen's University Belfast. It aims to alleviate the burden of fog computing benchmarking through standardized methods and collect relevant metrics to understand the performance of target platforms. This dataset contains six edge computing-related applications, which are suitable for evaluating the performance of cloud-edge deployment platforms. By automating deployment and metric collection, DeFog helps researchers and developers compare and optimize application performance across different deployment modes, with a particular focus on key performance indicators such as latency, concurrent users, and resource contention. The dataset has a wide range of application scenarios, including hardware vendors, internet service providers and system software administrators, and is designed to address performance optimization and resource allocation issues in fog computing environments.

搜集汇总

数据集介绍

构建方式

在雾计算领域，DeFog数据集的构建采用了一种系统化的六步基准测试方法。该方法首先通过Docker容器技术为目标平台构建并运行基准应用容器镜像，确保执行环境的一致性。随后，将应用所需的输入数据资产分别传输至云端和边缘资源，以支持不同的部署模式。基准应用在容器中执行后，系统自动收集包括通信延迟、计算延迟及平台属性在内的多样化性能指标，并通过重复执行来确保结果的可靠性。整个过程旨在自动化部署与数据收集，为雾计算平台提供标准化的评估框架。

特点

DeFog数据集的核心特点在于其全面覆盖雾计算场景的多样性与可扩展性。该数据集包含六种典型的雾计算应用基准，如基于深度学习的物体识别、语音转文本及实时视频人脸检测等，这些应用均具有延迟敏感、带宽密集或计算密集型特征。数据集支持三种部署模式：纯云端、纯边缘及云边协同，从而允许用户量化不同部署策略的性能差异。此外，DeFog通过容器化技术确保跨平台的一致性，并设计为轻量级执行，能够在短时间内生成结果，同时其模块化结构便于社区扩展新的基准应用与指标。

使用方法

使用DeFog数据集时，研究人员或开发者可通过其开源代码库获取基准测试套件，并按照文档指导在目标平台上部署。用户首先需配置云端和边缘资源，例如AWS EC2实例及嵌入式单板计算机，随后选择特定的基准应用与部署模式进行自动化测试。数据集会生成详细的性能指标文件，包括通信与计算延迟、资源利用率及并发用户影响等，这些数据可用于比较不同硬件平台或系统软件变更的效果。通过分析这些指标，用户能够评估雾计算相对于传统云模式的优势，优化服务分布策略，并为边缘硬件选型提供实证依据。

背景与挑战

背景概述

雾计算作为云计算向网络边缘延伸的新型计算范式，旨在通过将应用服务部署于云端与网络边缘资源之间，以优化应用的整体性能。然而，在雾计算领域发展的初期阶段，缺乏标准化的基准测试工具来量化不同部署模式（如纯云端、纯边缘及云边协同）的性能差异。为此，贝尔法斯特女王大学、多伦多大学等机构的研究团队于2019年联合推出了DeFog数据集，作为首个雾计算基准测试套件。该数据集通过集成六类典型边缘应用（如深度学习目标识别、语音转换及物联网网关应用），并设计三层部署架构与自动化度量采集流程，为评估雾计算平台性能、服务分布策略及资源选择提供了系统化方法论，推动了雾计算在性能标准化与平台优化方面的研究进展。

当前挑战

DeFog数据集致力于解决雾计算领域中的性能量化与比较难题，其核心挑战在于如何设计通用且可扩展的基准测试框架，以应对云边服务依赖复杂、硬件平台异构及边缘环境动态性高等问题。在构建过程中，研究团队需克服多重困难：一是缺乏现成的雾计算基准应用，需从零构建涵盖延迟敏感、带宽密集及计算密集型场景的多样化应用集；二是需确保基准测试在轻量级容器化环境中快速执行，以适应边缘资源的瞬态特性；三是需设计跨平台一致的度量采集机制，以消除网络波动与资源竞争带来的噪声干扰，同时保持对新兴硬件与协议演进的兼容性。

常用场景

经典使用场景

在雾计算领域，DeFog数据集作为首个雾计算基准测试套件，其经典使用场景聚焦于评估应用程序在纯云、纯边缘及云边混合部署模式下的性能表现。通过集成六种典型的雾计算应用，如深度学习物体识别和实时视频人脸检测，该数据集为研究者提供了标准化的测试框架，以量化不同部署策略对通信与计算延迟的影响，从而揭示边缘资源在提升应用整体服务质量方面的潜力。

衍生相关工作

DeFog数据集的发布催生了一系列雾计算领域的衍生研究，例如基于其基准测试方法扩展的仿真工具（如EdgeCloudSim、iFogSim）与专用基准框架（如CAVBench）。这些工作进一步细化了边缘应用在自动驾驶、物联网等垂直场景的性能评估模型，同时促进了容器化部署、资源调度算法及跨平台兼容性等方面的创新，推动了雾计算生态系统的标准化与实用化进程。

数据集最近研究

最新研究方向

在雾计算领域，DeFog数据集作为首个雾计算基准测试套件，为评估云边协同部署性能提供了标准化工具。当前研究聚焦于利用DeFog探索边缘资源在延迟敏感型应用中的优化潜力，例如通过分析深度学习对象检测、实时视频流处理等场景下的通信与计算延迟，量化云边协同相较于纯云或纯边缘部署的性能增益。前沿方向包括结合容器化技术模拟多租户环境下的资源竞争，以及评估网络压力与并发用户对应用服务质量的影响，为边缘硬件选型与系统软件优化提供实证依据，推动雾计算在物联网、增强现实等热点场景中的高效落地。

相关研究论文

• DeFog: Fog Computing Benchmarks

  贝尔法斯特女王大学 · 2019年