Resource Scheduling in Edge Computing: A Survey

• 期刊概述

Resource Scheduling in Edge Computing: A Survey[2]

• 资源调度基本概念

一般来说，资源调度是指参与者用来为需要完成的任务有效分配资源，并根据资源可用性实现参与者目标的一系列行动和方法。

资源：边缘网络中的资源可分为三种类型，即通信资源、存储资源（也称为缓存资源）和计算资源。

任务：任务一般指的是用户产生的数据。例如，来自CAVs上的LiDAR和高清摄像头的数据用于安全目的;来自身体区域网络（BAN）的数据用于健康监测;来自监控摄像头的数据用于安全。

参与者：为了完成任务，有不同的协作处理模式，涉及不同的参与者。对于“物-边缘协作"，用户（被称为“物"）和边缘是参与者。对于“things-edge-cloud协作"，用户、边缘和云是参与者。对于“边缘-云协作"，边缘和云中心是参与者。

目标：如低时延或低功耗。

行动：在边缘计算中，主要有三种行动。1）计算卸载，决定任务是卸载到边缘还是云端处理;2）资源分配，即为任务分配通信、存储资源和计算资源;3）资源配置，从用户的角度决定用户与资源对的关联，或者从服务提供商（SP）的角度主动进行资源配置。

• 架构及协作方式

1. 边端协同（Things-Edge Collaboration）

从智能设备产生的任务可以在本地处理或卸载到ES。是否卸载这些数据取决于物-边缘协作策略和智能设备的QoS和QoE要求。

1. 端边云协同（Things-Edge-Cloud Collaboration）

虽然物-边缘协作方式具有相对强大的能力，但它忽略了云计算中心的巨大计算资源。随着智能设备及其资源需求的不断增加，仅仅依靠边缘层的资源来满足智能设备的服务需求将变得越来越困难。因此,充分利用边缘计算和云计算的优势，使之相辅相成，设计一种协作范式--物-边缘-云协作方式，就显得尤为重要和必要。

1. 边边协同（Edge-Edge Collaboration）

虽然一般来说，边缘计算中资源调度的边缘-边缘协作方式并不是孤立出现的。相反，它通常与事物-边缘协作方式或事物-边缘-云协作方式一起出现。

1. 边云协同（Edge-Cloud Collaboration）

在所考虑的三层架构中，如果大部分计算任务都在云计算中心进行,就会产生长时延，无法满足用户的QoE。通过将云中心的部分或全部任务以边缘云协作的方式卸载到边缘，例如，移动客户端购物已经成为流行，客户经常操作购物车。购物车状态的改变首先在云中心完成，然后在MD上更新产品视图，这导致了较长的延时。如果9个购物车的数据可以被缓存，相关的操作可以在边缘执行，那么一旦客户的请求到达边缘，新的产品视图就会被推送到MD，从而大大改善客户的QoE。

• 研究的问题

1. 基础知识

一个任务T可以由五项来表述：T = {D, c,α,γ,τ}，其中D是T的数据大小，c代表T的处理密度（以CPU周期/位计) ，α(0≤a≤1)代表T的可并行部分，γ表示处理结果的数据大小与T的数据大小之比，τ代表T的延迟约束。任务可以在边缘服务器中完成，也可以在云端完成。

1. 计算卸载

按卸载的方向分类，可以分为：从设备到边缘、从边缘到云、从云到边缘、设备到设备以及从边缘到边缘；按卸载的粒度分类，可以分为：二进制卸载和部分卸载。

1. 资源分配

资源分配研究如何在边缘计算系统中合理有效地分配资源以完成卸载和任务处理。通常，当前资源分配研究中涉及的主要资源是计算、通信和存储资源一些关于资源分配的研究只关注于分配一种资源，而大多数研究考虑联合资源分配。

1. 资源供应

由于用户请求的负载随时间而变化,边缘计算系统的工作负载会不断波动。这些波动的工作负载可能会导致边缘资源的过度调配或不足等问题。边缘计算中资源配置的研究可分为两类:（a）任务分配,从用户的角度来看，这是一种被动的资源配置。边缘计算中的任务分配问题是指用户任务与边缘资沥之间的最优布局和匹配方案；（b）资源放置，从资源提供者的角度来看,这是一种主动的资源配置。资源配置主要包括云服务向边缘的分散、ES的优化部署、边缘资源的数量分配和虚拟边缘资源配置问题。

• 中心化方法

1. 凸优化

凸优化的主要技术包括Lyapunov技术、分解技术、SCA技术和ADMM技术。这个方法比较成熟，应用广泛，而且可以容易地获得次优优化结果。然而，基于这些技术的方法的计算通常是复杂的，难以在实际系统中实现。

1. 近似算法

近似算法的基本思想是利用现有的近似方法，如松弛、有界、局部搜索和动态规划技术，来解决已建立的NP难题。一般来说，近似算法比较灵活，易于实现。但是，却容易陷入局部最优解。

1. 启发式算法

利用启发式算法解决资源调度中NP-Hard题的研究，倾向于使用基于贪婪的和基于遗传的算法。简单的启发式算法是有效的，但容易陷入局部最优解。元启发式算法具有太多的参数，这使得难以重用计算结果。此外，不可能快速有效地调整这些参数。

1. 机器学习算法

机器学习算法有强大的并行处理能力、分布式存储和学习能力，具有联想记忆功能。但训练需要大量的参数，学习时间也比较长。

• 分布式方法

1. 博弈论

基于博弈论的分布式方法的基本思想是将游戏中的每个用户视为玩家。最佳响应决策是通过参与者之间的协作或非协作方式做出的，以获得他们的最大利益。所有这些基于博弈论的方法都需要证明纳什均衡的存在,在纳什均衡中,用户之间可以获得相互满意的解决方案，并且没有用户愿意单方面改变其决策。

1. 匹配理论

匹配理论是分析用户和SP之间的相互和动态利益关系的有力工具。优点是：在高动态网络中有效，而且可扩展、分散和适用于某些复杂网络。然而，由于它通常用于解决二进制卸载问题,因此在解决部分卸载问题时并不十分合适。

1. 拍卖算法

在基于拍卖的资源调度框架中，SP和用户都试图最大化自己的福利。基于匹配理论的方法可以实现请求和服务之间的权衡的经济效率，而且在现实场景中有很大的实用性。但是，用于拍卖管理的额外的第三可信方可能导致额外的开销。

1. 联邦学习

传统的集中式机器学习算法相比，FL由于训练过程是在分布式设备上进行的，因此无需将本地数据上传到专用服务器进行集中训练，这可以保护用户隐私，减少无线信道的数据传输负担。而且，用户只需上传自己训练模型的参数，并将多个设备的合成参数反馈给用户，可以有效地减少个体训练时间。但是，这容易受到恶意攻击。

1. 区块链

基于区块链的方法可以维护数据安全，能够保持数据完整性。然而，它具有相对较高的延迟。

• 个人小结

本文是一篇边缘计算中关于资源调度的综述。之前读论文的时候，就有看到很多专业性的名次，比如博弈论、联邦学习、区块链之类的，虽然当时查了是干啥的，但没有一个总体全面的认识。通过读这篇综述，就补全了这一块的知识。而且上周读的论文也是资源调度的，看了综述再回去看之前那篇论文，真心觉得是一个特别特别好的idea。

• 参考文献

[2]   Luo Q, Hu S, Li C, 等. Resource Scheduling in Edge Computing: A Survey[J]. IEEE Communications Surveys & Tutorials, 2021, 23(4): 2131-2165.