Sis Bilişimde Sağlık Verilerinin Görev Planlaması içinOptimizasyon Yaklaşımlarının İncelenmesi

Abstract

Bu tez çalışmasında, gerçek zamanlı sağlık izleme uygulamalarında sis bilişim mimarisi üzerinde görev planlama probleminin daha verimli biçimde nasıl çözülebileceği araştırılmıştır. Çalışmanın temel amacı, EKG ve glukoz sensörlerinden gelen sentetik sağlık verilerinin çok katmanlı sis–bulut ortamında işlenmesi için modül yerleşimini optimize ederek gecikme, enerji tüketimi, ağ kullanımı, tamamlanma süresi ve maliyet metrikleri açısından dengeli bir çözüm üretmektir. Bu kapsamda, iFogSim v2 simülasyon ortamında homojen, heterojen ve çok kümeli hastane sis bilişim topolojileri modellenmiştir. Farklı hasta yükleri altında bulut tabanlı FCFS, Edgewards, Genetik Algoritma, Parçacık Sürüsü Optimizasyonu ve Hibrit PSO–GA yaklaşımları karşılaştırmalı olarak değerlendirilmiştir. Bulgular, klasik bulut tabanlı FCFS yaklaşımının özellikle heterojen topolojide gerçek zamanlı sağlık uygulamaları için yetersiz kaldığını göstermiştir. Genetik Algoritma düşük ve orta hasta yüklerinde gecikme ve enerji tüketimi açısından dengeli sonuçlar üretirken, PSO maliyet optimizasyonu ile öne çıkmıştır. Hibrit PSO–GA yaklaşımı ise çok kümeli topolojide saf GA'ya göre tüm yük seviyelerinde daha başarılı sonuçlar üretmiş ve yüksek hasta yüklerinde saf PSO ile rekabetçi bir performans sergilemiştir. Sonuç olarak, bu çalışma sis bilişim tabanlı sağlık uygulamalarında optimizasyon temelli modül yerleştirme stratejilerinin uygulanabilir ve ölçeklenebilir çözümler sunduğunu göstermektedir. Ayrıca, yüksek hasta yüklerinde yalnızca algoritmik iyileştirmenin yeterli olmadığı, sis altyapısının donanım kapasitesinin de artırılmasının gerekliliğini göstermiştir.

This thesis investigates how the task scheduling problem in fog computing architectures can be solved more efficiently for real-time healthcare monitoring applications. The main objective is to optimize module placement for healthcare data generated by ECG and glucose sensors in a multi-tier fog–cloud environment while achieving a balanced trade-off among latency, energy consumption, network usage, makespan, and cost. In this context, homogeneous, heterogeneous, and multi-cluster hospital fog computing topologies were modeled using the iFogSim simulation environment. Cloud-based FCFS, Edgewards, Genetic Algorithm, Particle Swarm Optimization, and Hybrid PSO–GA approaches were comparatively evaluated under different patient loads. The results show that the classical cloud-based FCFS approach is inadequate for real-time healthcare applications, particularly in heterogeneous topologies. The Genetic Algorithm produced balanced results in terms of latency and energy consumption under low and moderate patient loads, whereas PSO stood out in cost optimization. The Hybrid PSO–GA approach achieved better results than pure GA across all load levels in the multi-cluster topology and showed competitive performance with pure PSO under high patient loads. In conclusion, this study demonstrates that optimization-based module placement strategies provide practical and scalable solutions for task scheduling in fog-based healthcare applications. It also shows that, under high patient loads, algorithmic improvement alone is not sufficient and the hardware capacity of the fog infrastructure must also be increased.