It’s Hard to Share: Joint Service Placement and Request Scheduling in Edge Clouds with ...——论文泛读

ICDCS 2018 Paper 论文阅读笔记整理

问题

移动边缘计算是一种新兴技术，旨在从移动网络的边缘支持资源密集、延迟敏感的应用程序，其中的主要挑战是将有限的边缘资源分配给竞争需求。现有的方法多数将全部资源假设为不可共享的，但实际场景中，不同用户的资源需求有可共享和不可共享。共享资源包括存储资源，基于同一组数据/代码的（例如，数据分析）用户可以共享存储资源；不可共享的资源包括CPU周期、带宽。

本文方法

本文通过联合服务放置和请求调度，研究了具有可共享（存储）和不可共享（通信、计算）资源的边缘服务的最优供应。研究了两个相关的子问题：（1）服务布局，确定每个服务（包括数据和代码）放置位置，允许每个服务在边缘云的存储容量内有多个副本；（2）请求调度，根据用户和边缘云之间的无线通信能力、边缘云的计算能力和其他可行性约束（例如，最大可容忍延迟），以及请求服务的副本的约束，确定是否/在哪里调度每个请求。

• 提出一个整数线性程序（ILP）来解决上述问题，在每个边缘云的通信、计算和存储容量都有限情况下，服务于最大的用户请求。

• 分析了一般情况和重要特殊情况下问题的复杂性。证明一般情况和齐次的特殊情况都也是NP难的。当每个边缘云都有无限的通信或计算资源时，这种困难度在更特殊的情况下仍然存在。进一步证明，在同构情况下，困难度是由服务放置子问题引起的，而在一般情况下，服务放置子和请求调度子问题都是NP难的。

• 提出了多项式时间解。在齐次情况下，证明了最优资源调度（在给定的服务布局下）可以在多项式时间内通过将其转换为最大流问题来计算。进一步证明了在一定条件下，将该解与贪婪服务布局相结合，得到了最优的1/2近似的整体解。在一般情况下，开发了将贪婪服务放置与贪婪请求调度相结合的启发式算法，以及一种基于线性规划（LP）松弛和舍入的启发式算法。

通过跟踪驱动的模拟来评估所提出的解决方案。与分别优化服务布局和请求调度的基线解决方案相比，本文提出的解决方案可以服务2-3倍多的请求。即使在用户需求中存在预测误差的情况下，该近似算法也能实现接近最优的性能。

总结

针对移动边缘计算场景中，不同用户的资源需求包括可共享资源和不可共享资源，如何在这种条件下实现最优的服务放置和请求调度。本文通过大量证明表明以上问题是NP难的；于是提出了贪婪服务布局与最大流相结合的方法，得到最优的1/2近似的整体解；进一步提出贪婪服务放置与贪婪请求调度相结合的启发式算法；基于线性规划（LP）松弛和舍入的启发式算法。