作者:Mukherjee Mithun; Shu Lei; Wang Di
日期:2018
期刊:IEEE Communications Surveys &Tutorials
阅读时间:2023/05/06——2023/05/12
目录
1 文章脉络
2 主要研究内容笔记
2.1 基于雾计算的架构
2.1.1 三层体系架构
三层架构是雾计算中最基本、应用最广泛的架构之一。
当雾节点无法为应用程序提供足够的资源时,需要将计算发送到云服务器中。基于此有人提出了一种复合雾云(CFC)架构,如下图所示:
2.1.2 虚拟化的云数据中心
在虚拟化的虚拟数据中心(DCN)中部署新应用程序变得更加容易。基本上,在虚拟化的数据中心中,服务器、路由器、交换机和链路等硬件资源是虚拟化的。
数据中心虚拟化旨在提高计算的灵活性和效率,以满足数据服务用户(Data Service subscriber, DSSs)的需求。雾计算支持添加多个虚拟化边缘数据中心,从而可以从传统的大规模数据中心卸载服务。
2.1.3 雾无线接入网(F- RANs)
F-RANs通过启用具有缓存和信号处理能力的rrh(称为增强型eRRHs (eRRHs))来增强C-RAN。通过向f - ran中的errh引入本地缓存可以显着减少流量开销和延迟,因为这些流行的文件可以通过前传从errh而不是CPs中获取。
2.1.4 基于软件定义网络(SDN)的云计算架构
软件定义网络(SDN)是一种提供灵活的方式更新和重新配置网络的网络解决方案。SDN的主要思想是将控制平面和数据平面进行物理分离。OpenFlow是一种开放协议,它是控制平面和数据平面之间的标准接口,允许在FlowTables中重新编程和更新。一般情况下,SDN控制器处理报文转发等组网功能。这些控制器主要通过TCP连接与交换机交互。然而,在SDN中,控制器和交换机之间的延迟成为限制因素之一。
尽管雾计算是延迟敏感任务的可行解决方案,但基础设施动态性质、tn移动性和流量分布可能会导致可用资源中断。因此,在雾层资源不足时,可将一些任务转移到云中。SDN受益于了解网络状态,可分配延迟敏感的雾任务,还需部署动态QoS策略以处理具有不同QoS的雾服务。必须在雾计算中实现软件定义的QoS提供来减少SDN控制器的负担,并改善可扩展性和资源管理。
下图是对上面提及的网络架构的描述与总结:
2.2 雾计算中的网络、时延和能耗模型
雾计算的数学模型是理解雾层中各种成分及其行为的必要条件。作为第一步,在的假设下,本文引用文献介绍了一个简单而有用的雾计算系统数学模型如下。
2.2.1 数学模型
①终端用户EU
②虚拟集群
EU形成一个虚拟集群,又称“迷你云”,数学上定义为:
③雾计算实例
④雾计算设备
2.2.2 网络模型
Xfog vi、e、f和Xcloud f、g、c变量分别表示从虚拟集群生成的数据量到达fog并随后传输到云。同时,这些变量也被用来估计服务延迟和功耗。
2.2.3 延迟模型
①传输队列延迟
②计算队列延迟
此处公式较多,读的不明白……
2.2.4 能源消耗模型
能耗是雾计算的重要性能指标之一。随着雾计算的出现,被称为“纳米数据中心(ndc)”的小型服务器变得非常流行,因为它们以点对点(P2P)的方式托管和分发内容。尽管一些研究表明,与集中式数据中心相比,P2P内容分发消耗更多的能源,但ndc是通过将内容推向更靠近eu来节省大量能源的可行解决方案。
2.3 雾无线接入网络(F-RANs)中的问题
频谱效率(SE)和能源效率(EE)成为向第五代(5G)演进的重要设计指标。为了提高SE,成功地引入了密集和SC结构。
最近一些无线技术的主要特点和优点如下图所示:
相比于C-RAN,F-RAN可以借助本地缓存显著降低流量的开销和延迟。
在雾网络中,前传延迟和边缘延迟是两个重要的概念,它们分别表示不同的过程。
前传延迟:在雾网络中,前传延迟指从数据源到传输介质接口(如路由器)的时间延迟。这包括了多种延迟,例如:排队延迟、传输延迟、处理延迟等。前传延迟通常是指数据从边缘设备(如传感器或摄像头)开始,经过多层传输,并最终到达云端的总延迟时间。通常情况下,前传延迟是可以优化的。例如,通过使用更高效的传输协议或将任务分散到多个边缘设备上来减少前传延迟。
边缘延迟:边缘延迟指从传输介质接口到目标设备(如服务器、计算机或移动设备)的时间延迟。也就是说,它是指数据从云端返回到边缘设备并被接受处理的时间。边缘延迟通常包括对数据的解压、解密以及其他处理操作的时间。这些操作可能需要特定的硬件或软件才能完成,因此它们通常是较难优化的。
2.4 雾计算中的服务分配和资源管理问题
在雾计算范式中,如何决定哪些任务或服务应该在雾层处理,哪些应该转发到云,成为一个重要的问题。
2.4.1 延迟
为了在所有可用的雾节点中找到目标雾节点,建议采用以下策略:
- 随机策略:在该策略中,随机、均匀地选择一个雾节点,不考虑任何其他因素。
- 最低延迟策略:为给定的工作负载选择在系统当前状态下提供最小总延迟的雾节点。
- 最大可用容量策略:选择剩余资源最大的雾节点。
2.4.2 雾节点位置的不确定性和可用性
与传统云计算相比,雾计算中的终端节点会更频繁地改变其活动或不活动等状态,加入或离开任何雾计算实例。因此,由于通信开销和动态资源分配,负载平衡变得非常困难。为了解决上述问题,提出了以下几种解决方案:
- 动态负载均衡机制
- 在线雾网络的形成
2.5 雾计算的应用
雾计算被认为是支持具有带宽、延迟和可靠性限制的任务的可行解决方案。基本上,雾计算具有巨大的潜力,可以满足各种应用中的各种需求,从智能城市,交通[,监控(例如,面部识别)和医疗保健到大型工业。下图展示了一些典型的雾计算应用程序和限制:
2.6 开放研究的挑战与未来方向
2.6.1 应用程序卸载
- 雾计算可以提高在资源受限的设备上运行效率不高的应用程序的性能。
- 应用程序卸载并非总是有效的,因为缺乏可用资源可能导致卸载在延迟、带宽和能耗方面并不总是有效的。在卸载之前找到影响卸载性能的参数很重要。
- 实时分析在雾计算中扮演着重要角色,可以帮助找到可以卸载哪些应用程序以满足QoS需求,并决定哪些数据应该发送到云层或雾层。对于实时分析,找到最佳位置以实现最高效率和减少网络流量也是一个重要问题。
- 动态学习算法可用于实现对传感和数据卸载频率的细粒度控制。
2.6.2 资源管理
- 资源分配:与云计算相比,雾计算没有足够的计算和存储资源,因此需要进行有效的资源分配。
- 移动性:移动端设备可以随时离开或加入一个雾层,这给动态负载平衡和任务分配带来了困难,因此需要在时延、功耗和带宽资源分配等方面实现负载的经济平衡,并了解终端设备的移动模式来帮助任务分配和资源管理。
- 虚拟化:边缘数据中心可以卸载计算任务和存储需求,以降低网络流量和基础设施成本,并提供更好的QoS和通信延迟。虚拟化是支持具有不同服务需求和目标的vdc的关键方法之一。
2.6.3 无线接入网F-RANs
本文主要讨论了F-RAN 系统中的本地缓存对于减少回程(和前传)负担的重要作用以及缓存大小、用户模式选择、干扰和延迟等因素对其性能的影响。F-RAN作为一种有吸引力的解决方案可以减少交通拥堵,文件缓存在其中起着至关重要的作用。 errh配备了本地缓存,eRRH缓存流行文件,直到其内存被填满。对于未缓存文件,需要考虑errh的数量和功耗等因素之间的权衡。缓存大小显然会影响F-RAN中的延迟和回程负担。在选择用户模式时,通信距离、节点位置和缓存能力等问题也需要考虑。此外,f - ap、D2D对和蜂窝网络共存而产生的干扰在f - ran中也不容忽视。虽然与C-RAN相比,F-RAN的延迟显著降低,但BBU和eRRH之间以及eRRH和EU之间的前传和回程延迟是F-RAN研究的重大挑战。
下图对最新技术和研究挑战进行了总结: