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。

  • 4
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

妙BOOK言

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值