With the increasing applications in the domains of ubiquitous and context-aware computing, Internet of Things (IoT) are gaining importance. In IoTs, literally anything can be part of it, whether it is sensor nodes or dumb objects, so very diverse types of services can be produced. In this regard, resource management, service creation, service management, service discovery, data storage, and power management would require much better infrastructure and sophisticated mechanism. The amount of data IoTs are going to generate would not be possible for standalone power-constrained IoTs to handle. Cloud computing comes into play here. Integration of IoTs with cloud computing, termed as Cloud of Things (CoT) can help achieve the goals of envisioned IoT and future Internet. This IoT-Cloud computing integration is not straight-forward. It involves many challenges. One of those challenges is data trimming. Because unnecessary communication not only burdens the core network, but also the data center in the cloud. For this purpose, data can be preprocessed and trimmed before sending to the cloud. This can be done through a Smart Gateway, accompanied with a Smart Network or Fog Computing. In this paper, we have discussed this concept in detail and present the architecture of Smart Gateway with Fog Computing. We have tested this concept on the basis of Upload Delay, Synchronization Delay, Jitter, Bulk-data Upload Delay, and Bulk-data Synchronization Delay.

With the trend going on in ubiquitous computing, everything is going to be connected to the Internet and its data will be used for various progressive purposes, creating not only information from it, but also, knowledge and even wisdom. Internet of Things (IoT) becoming so pervasive that it is becoming important to integrate it with cloud computing because of the amount of data IoT's could generate and their requirement to have the privilege of virtual resources utilization and storage capacity, but also, to make it possible to create more usefulness from the data generated by IoT's and develop smart applications for the users. This IoT and cloud computing integration is referred to as Cloud of Things in this paper. IoT's and cloud computing integration is not that simple and bears some key issues. Those key issues along with their respective potential solutions have been highlighted in this paper.

Pervasive and ubiquitous computing services have recently been under focus of not only the research community, but developers as well. Prevailing wireless sensor networks (WSNs), Internet of Things (IoT), and healthcare related services have made it difficult to handle all the data in an efficient and effective way and create more useful services. Different devices generate different types of data with different frequencies. Therefore, amalgamation of cloud computing with IoTs, termed as Cloud of Things (CoT) has recently been under discussion in research arena. CoT provides ease of management for the growing media content and other data. Besides this, features like: ubiquitous access, service creation, service discovery, and resource provisioning play a significant role, which comes with CoT. Emergency, healthcare, and latency sensitive services require real-time response. Also, it is necessary to decide what type of data is to be uploaded in the cloud, without burdening the core network and the cloud. For this purpose, Fog computing plays an important role. Fog resides between underlying IoTs and the cloud. Its purpose is to manage resources, perform data filtration, preprocessing, and security measures. For this purpose, Fog requires an effective and efficient resource management framework for IoTs, which we provide in this paper. Our model covers the issues of resource prediction, customer type based resource estimation and reservation, advance reservation, and pricing for new and existing IoT customers, on the basis of their characteristics. The implementation was done using Java, while the model was evaluated using CloudSim toolkit. The results and discussion show the validity and performance of our system.

The Internet of Things (IoT) is a technological revolution that represents the future of connectivity and reachability. In the IoT, things refer to any object on the face of the Earth, whether it is a communicating device or a noncommunicating "dumb" object. From a smart device to a leaf of a tree or a beverage bottle, anything can be part of the Internet. The objects become communicating nodes over the Internet through data communication means, primarily through radio frequency identification (RFID) tags. The IoT includes smart objects as well. Smart objects are digital, physical entities, which perform some tasks for humans and/or the environment. This is why the IoT is not only a hardware and software paradigm but also includes interaction and social aspects.

Lately, pervasive and ubiquitous computing services have been under focus of not only the research community, but developers as well. Different devices generate different types of data with different frequencies. Emergency, healthcare, and latency sensitive services require real-time response. Also, it is necessary to decide what type of data is to be uploaded in the cloud, without burdening the core network and the cloud. For this purpose, Fog computing plays an important role. Fog resides between underlying IoTs and the cloud. Its purpose is to manage resources, perform data filtration, preprocessing, and security measures. For this purpose, Fog requires an effective and efficient resource management framework, which we provide in this paper. Moreover, since Fog has to deal with mobile nodes and IoTs, which involves objects and devices of different types, having a fluctuating connectivity behavior. All such types of service customers have an unpredictable relinquish probability, since any object or device can quit resource utilization at any moment. In our proposed methodology for resource estimation and management, we have taken into account these factors and formulate resource management on the basis of fluctuating relinquish probability of the customer, service type, service price, and variance of the relinquish probability. Implementation of our system was done using Java, while evaluation was done on CloudSim toolkit. The discussion and results show that these factors can help service provider estimate the right amount of resources, according to each type of service customers.

<p>The immediate adoption of deep learning models into domain-specific tasks for edge intelligence-based services still poses several challenges to overcome. The first is efficiently constructing the most suitable neural network architecture amongst the numerous types of available architectures. Once addressing this challenge, the second is understanding how to gather knowledge to build efficient neural network models from the user's devices (i.e., smartphone) without affecting the user's privacy. And the third critical issue is minimizing the gap between estimated and actual performance while building models. In this work, we propose a novel framework for deploying deep learning models for domain-specific tasks called MetaFed, which combines population-based meta-learning and federated learning to resolve the three challenges mentioned earlier. MetaFed autonomously constructs the potential domain-specific models with the help of population-based meta-learning by utilizing the model knowledge base. We improve the model knowledge base by using the population's knowledge via federated learning while minimizing the performance estimation gap for model construction. Experimental results show that our proposed framework offers a promising solution for deploying deep learning models at edge devices, with a significant performance gain than the existing alternative approaches.</p>

<p>The immediate adoption of deep learning models into domain-specific tasks for edge intelligence-based services still poses several challenges to overcome. The first is efficiently constructing the most suitable neural network architecture amongst the numerous types of available architectures. Once addressing this challenge, the second is understanding how to gather knowledge to build efficient neural network models from the user's devices (i.e., smartphone) without affecting the user's privacy. And the third critical issue is minimizing the gap between estimated and actual performance while building models. In this work, we propose a novel framework for deploying deep learning models for domain-specific tasks called MetaFed, which combines population-based meta-learning and federated learning to resolve the three challenges mentioned earlier. MetaFed autonomously constructs the potential domain-specific models with the help of population-based meta-learning by utilizing the model knowledge base. We improve the model knowledge base by using the population's knowledge via federated learning while minimizing the performance estimation gap for model construction. Experimental results show that our proposed framework offers a promising solution for deploying deep learning models at edge devices, with a significant performance gain than the existing alternative approaches.</p>