-
目录
-
一、期刊概述
Share-to-Run IoT Services in Edge Cloud Computing[1]
题目翻译:共享运行边缘云计算中的物联网服务
链接:Share-to-Run IoT Services in Edge Cloud Computing | IEEE Journals & Magazine | IEEE Xplore
来源:IEEE Internet of Things Journal
-
二、介绍
背景:近年来,具有异构需求的物联网( Internet-of-Things,IoT )服务的指数级增长,这给传统的云/数据中心平台带来了很大负担。边缘计算是一种新兴的获得物联网服务商业价值的解决方案,通过移动靠近数据源的计算资源来满足实时需求。尽管如此,边缘资源仍然是有限的,无法同时满足所有需求。
目的:实现边缘/云服务提供商之间的资源共享,以解决资源稀缺、降低成本。
方法:(1)本文提出了面向物联网服务实现的共享资源分配模型:本文引入了一个优化模型,SRIS,用于在边缘/云服务提供商之间共享和分配资源。本文构建了一个SRIS的多目标函数,以最大化所有提供者的效用,同时捕获系统中的迁移和碎片化成本。此外,本文基于M/M/1排队模型对系统中的资源约束和网络延迟进行建模。(2)本文提出了SRIS的分布式算法:为了高效地求解SRIS,本文首先提倡使用log - det近似机制,将SRIS改造为传统凸优化方法可以求解的松弛问题。本文进一步介绍了D - SRIS和A - SRIS算法,它们能够以对偶分解和ADMM方法的分布式方式有效地获得SRIS的近似最优解。具体来说,本文将主问题分解为与每个服务和每个提供者相关的子问题,因此,它们可以简单地按照这些迭代框架进行求解。
-
三、相关基础知识
1、NP-Hard问题及组合最优化问题
这部分可参考:NP-Hard问题及组合最优化问题_nphard问题-CSDN博客
- P问题:可以找到一个多项式时间复杂度的算法去解决的问题
- NP问题:可以在多项式时间复杂度的算法去验证结果正确性的问题,比如随便拿一个结果,可在多项式时间内验证该结果是否正确,但是想要求解该结果的时间复杂度就不知道了。
- NP完全问题(NPC问题):存在这样一个NP问题,所有的NP问题都可以约化成它。我理解的是,一元一次方程的解法可以用一元二次方程的解法求解,一元二次方程的解法可以用一元三次方程的解法求解,一直向上推,找到一元N次方程的求解方法,就是NPC问题。
- NP-Hard问题:所有的NP问题都可以约化成它,但它自己本身不一定是个NP问题。最典型的就是TSP,假设一个推销员需要从香港出发,经过广州、北京、上海等n个城市,最后返回香港。任意两个城市之间都有飞机直达,但票价不等。现在假设公司只给报销C块钱,问是否存在一个行程安排,使得他能遍历所有城市,而且总的路费小于 C?这显然是NP的。因为如果你任意给出一个行程安排,可以很容易算出旅行总开销。但是,要想知道一条总路费小于 C 的行程是否存在,在最坏情况下,必须检查所有可能的旅行安排,这将是个天文数字。
- 组合最优化:是一类在离散状态下求极值的问题。把某种离散对象按某个确定的约束条件进行安排,当已知合乎这种约束条件的特定安排存在时,寻求这种特定安排在某个优化准则下的极大解或极小解的间题。多数问题属于所谓的NP完全问题,即对该问题基本上不存在一种算法,使得当所有的具体问题的变量和约束条件的数目两者之和甚大时,可以在容许时间(即所谓的多项式时间)之内给出所要的解。1、NP-Hard问题及组合最优化问题
-
2、ADMM
- 这部分涉及数学知识比较多,请参考:ADMM_近端算子-CSDN博客
-
四、方法
约束
-
资源约束
V代表资源提供商,可以将其看做一个云/边缘节点。xi,v 表示服务提供者v分配给服务i的资源量,Rv 为资源容量。式子(1)表示该节点提供给服务的资源量不能大于自己有的资源。
-
服务时延约束
服务时延包括网络时延和处理时延。对于网络时延,本文根据物联网网关到边缘/云节点的跳距进行测量,记为 。对于处理时延,本文采用常见的M/M/1模型,在给定服务i的到达率λi和提供者v的服务率μv的情况下,对每个边提供者的处理时延进行建模,处理时延的计算公式如下:
时延约束为:
-
网络流量约束
为了实现协作,对服务提供商之间的物理链路进行约束,这是保证在该链路上传输数据的所有服务的网络流量需求。它被表述为: 。其中,ri是服务i请求的数据速率,
是链路vv的速率容量。
目标函数
本文关注的场景是,一些提供者可能没有足够的资源来满足他们的服务,而另一些提供者仍然有多余的资源可以共享或出售。通过共享模型,可以解决这个问题。
本文假设分配的资源越多,提供者的效用越高。本文策略是让服务提供商根据共享/分配资源的数量来定义和评估他们的收益,这是多提供商模型的本质。在共享系统中,有两个因素会对提供商的收益产生负面影响。(1)首先,一个共享策略可能需要一个迁移过程来调整当前的分配,将一个正在运行的服务迁移到另一个提供者以获得更高的目标值。该过程会导致服务质量( Quality-of-Service,QoS )下降,因为它消耗了计算资源,并且在此过程中使用了更多的网络带宽。因此,本文定义迁移成本函数如下,其中 是给定的从服务提供商v迁移服务i的单位资源的单位成本。
(2)其次,最优解可能会产生一个稀疏的解决方案,其中一个服务被分散在多个提供商,以获得总的最大效用。然而,这会导致提供商之间的运营和通信成本很高。为了减轻这个缺点,本文定义了惩罚项,对分布式放置进行如下惩罚:
最终的目标函数为:(效用函数减去迁移成本和惩罚)
算法
这一部分大概明白思路,但是对偶分解和ADMM部分全部都是数学公式,没有看懂。首先SRIS是个非凸问题,传统的解决方法就是凸松弛,对问题限制条件的松弛,将原问题等价为凸优化问题。本文使用log-det近似机制,将SRIS改造为传统凸优化方法可以求解的松弛问题。然而,在实际应用中,SRIS可能会因为服务的数量而变得庞大,这就需要一个功能强大的具有高CPU和内存配置的求解器。因此,本文研究了基于对偶分解和ADMM框架的分布式方法,其中计算可以分发给每个提供者。基于分布式方法,求解SRIS的复杂度不依赖于SRIS的输入大小。
-
五、实验结果
通过下图可以看出,Julia求解器(C-SRIS)可以在270次迭代左右达到收敛,而D - SRIS需要比Julia更多的迭代次数才能停止。在迭代250次左右时,A – SRIS(本文算法)比其他算法更快地逼近最优解,表现出更好的性能。
如下图( c )和( d )所示,SRIS展示了系统中的利用率与Zhang基线相比的差异,以及本文系统中每个提供商提出的非共享和优化方案。Zhang的结果最高,平均为47.5 %,这是因为在放宽提供商之间的传播延迟时,服务有更多的机会进入边缘/云提供商。SRIS平均可以利用总资源的43.37 %,而非优化方法仅花费36.47 %的资源。
基于本文设计的模型,如果这些服务能够容忍它们的低延迟以获得更高的利用率,那么SRIS可以通过在云提供商或远程提供商上服务来接受更多的物联网服务。因此,繁忙的边缘提供商可以释放他们的资源来接纳更多的服务,从而在SRIS中获得更高的利用率。此外,SRIS中的迁移有助于边缘/云提供商在动态和灵活的服务部署中获得更多的利益,而不是在其生命周期的开始和结束时与特定提供商签订物联网服务合同。一方面,这种机制允许提供商调整先前的放置方案,以便以更高的效用进行物联网服务。另一方面,这也导致了系统运行成本较高,需要慎重考虑。
-
六、个人小结
大概自己总结一下这篇论文:背景就是边缘资源仍然是有限的,无法同时满足所有需求。边缘/云服务提供商之间的资源共享被认为一种好的解决方案。本文考虑了边缘云计算中多个服务提供商之间的共享资源分配问题,以最大化服务提供商的效用。(1)先看目标:本文其实是站在服务提供商角度了,想最大化服务提供商的效用。目标函数这块还挺有意思的,之前看的是把几个项(比如上一篇的时延与可靠性)赋权重相加,本文是效用函数减去迁移成本和惩罚,这是个很不错的思路。(2)接下来是约束,这感觉看的这几篇文章,必有的约束就是资源和时延,资源一般就笼统的说,并不考虑是CPU还是存储器,其他的约束就需要根据场景而定了。这篇文章来说,因为服务提供商之间有物理链路,所以加上了网络流量约束,保证该链路上传输数据的所有服务的网络流量需求(3)最后是算法,本文算法很复杂,没看懂,大概写一下我的理解。SRIS是个非凸问题,非凸问题就是说顺着梯度方向找到的解可能是局部最优而不是全局最优,所以本文先用log-det近似机制将SRIS改造为传统凸优化方法可以求解的松弛问题。但是,在实际应用中,SRIS可能会因为服务的数量而变得庞大,这就需要一个功能强大的具有高CPU和内存配置的求解器。因此,本文研究了基于对偶分解和ADMM框架的分布式方法,其中计算可以分发给每个提供者。
-
参考文献
[1] Pham C, Nguyen D T, Njah Y, 等. Share-to-Run IoT Services in Edge Cloud Computing[J]. IEEE Internet of Things Journal, 2022, 9(1): 497-509.