文献阅读3

Follow Me at the Edge: Mobility-Aware Dynamic Service Placement for Mobile Edge Computing（在边缘跟随我：移动边缘计算的移动感知动态服务放置）

摘要
移动边缘计算是一种新的计算范例，它将云计算功能从集中式云推向了网络边缘。但是，随着计算能力的下降，出现了由用户移动性引起的新挑战：由于最终用户通常会不规律地移动，因此应在多个边缘之间动态迁移服务以维持服务性能，即用户感知的延迟。解决此问题并非易事，因为频繁的服务迁移会大大增加运营成本。为了解决性能成本权衡方面的挑战，本文研究了长期成本预算约束下的移动边缘服务性能优化问题。为了解决通常无法预测的用户移动性，我们应用Lyapunov优化将长期优化问题分解为一系列实时优化问题，这些问题不需要先验知识，例如用户移动性。由于分解后的问题是NP难的，因此我们首先设计一种基于马尔可夫近似的近似算法，以寻求接近最优的解决方案。为了使我们的解决方案具有可扩展性，并适合大规模用户设备的未来5G应用场景，我们基于最佳响应更新技术进一步提出了一种分布式近似方案，其时间复杂度大大降低。严格的理论分析和广泛的评估证明了所提出的集中式和分布式方案的有效性。
索引词：移动边缘计算，服务放置，李雅普诺夫优化，马尔可夫近似，博弈论。
一、引言
随着移动设备的爆炸性增长，近年来目睹了用户偏好的空前转变，从传统的台式机和笔记本电脑转移到智能手机和其他连接的设备。随后，以增强现实和交互式游戏为例[2]，越来越多的新移动应用程序出现并引起了公众的关注。通常，这类应用需要密集的计算资源和高能耗才能进行实时处理。但是，由于物理尺寸的限制，最终设备无法在我们的期望范围内单独有效地支持这些应用程序。资源匮乏的应用程序和资源受限的终端设备之间的紧张关系给下一代网络开发带来了巨大挑战。
功能强大且可靠的云计算的激增，以及广泛的第四/第五代（4G / 5G）长期演进（LTE）网络和WiFi接入，为最终用户带来了丰富的云托管移动服务。该方法确实解决了移动设备的资源限制问题。不幸的是，与中央云数据中心（例如Amazon EC2和Windows Azure）的长通信延迟（通常为数百毫秒）可能远远超过了这些关键任务移动应用程序的严格及时性要求（通常为数十毫秒）。这将大大降低用户的体验质量。此外，减少广域网中的延迟是不容易的。
为了满足这些要求超低延迟的任务关键型移动应用程序，移动边缘计算（MEC）被提出作为集中式云计算的扩展，它在无线电访问边缘部署了一个云计算平台。网络（RAN）紧邻移动设备和用户。在这里，边缘通常是微数据中心或服务器集群，可以承载云应用程序，并附接到基站（BS）或访问点，并可供附近的设备使用。在MEC的范式中，由于用户工作负载由附近的边缘节点而不是远程云提供服务，因此端到端延迟显着减少。
尽管边缘云极大地增强了移动用户的计算能力，但无线网络中不可预测的用户移动性却带来了新的挑战。随着用户移动性的出现，增强低延迟和平滑用户体验远远不只是将云功能推向网络边缘。为了保证用户跨越不同边缘时的服务连续性，应在网络边缘中采用有效的移动性管理方案。软件定义的新兴技术提议使用网络（SDN）为用户提供无缝和透明的移动性支持。在基于SDN的雾计算架构中，路由逻辑和智能管理逻辑被部署在SDN控制器上，从而极大地简化了网络操作和管理。当移动用户在左MEC节点的地理覆盖范围内时，很明显，如果我们想最小化用户感知的等待时间，则应该由用户来服务。最近的边缘，即左边的边缘。考虑到用户的移动性，并假设一段时间后，上述移动用户移动到正确的MEC节点的覆盖范围。然后，如果该用户的服务配置文件仍放置在左侧的MEC节点上以为该用户提供服务，则由于网络距离的延长，其感知到的等待时间将大大恶化。该示例说明，为了优化MEC的用户体验，应在边缘之间动态替换移动用户的服务配置文件，以遵循用户的移动性。
但是，动态服务配置文件放置问题并非易事。一方面，用户感知的延迟是由通信延迟和计算延迟共同确定的。因此，如果将每个用户的服务配置文件积极地放置在最近的MEC节点上，则某些MEC节点可能会过载，从而导致计算延迟增加。另一方面，遵循用户移动性要求在多个MEC节点之间进行频繁的服务迁移。作为回报，这种频繁的服务迁移会产生额外的运营成本，例如使用昂贵的广域网（WAN）带宽和系统能耗。结果，有效的动态服务放置策略应谨慎地（1）配合通信延迟和计算延迟以最小化用户感知的延迟，以及（2）以经济高效的方式在性能-成本之间进行权衡。
遵循以上关于MEC动态服务放置的上述两个指导，在本文中，我们提出了一种具有成本效益的MEC的移动感知动态服务放置框架。特别是，为了在跨边缘服务迁移引起的服务性能和运营成本之间取得良好的平衡，我们建议在长期迁移成本预算的约束下，从长远来看最大程度地减少用户感知的延迟实际上是由网络运营商每月或每年预先定义的。通过将Lyapunov优化技术应用于公式化的随机优化问题，我们的框架可以有效地将长期迁移成本预算纳入实时优化中，并且可以在线决定动态服务放置，而无需任何先验的未来信息（例如，用户移动性）。为了解决实时优化所带来的NP难度的挑战，我们进一步设计了集中式和分布式近似方案，分别寻求近似最优的解决方案。严格的理论分析和广泛的跟踪驱动评估都证明了所提出的可感知移动性的在线服务放置框架的成本效益。
本文的其余部分安排如下。第二节回顾了相关工作。第三节介绍了系统模型和问题公式。第四节提出了两种基于集中式的在线服务放置算法和分散机制分别寻求近乎最佳的策略。第五节介绍了所提出框架的理论分析。绩效评估在第六节中进行。第七节总结了本文。
二、相关工作
服务放置并不是一个新话题，因为它已在云计算范式中得到了广泛的研究。具体而言，云计算中服务放置的目标可以归类为：
（1）将服务整合到较小的一组物理服务器中，以提高资源利用率并降低运营成本，
（2）放置服务到一组异构节点以在能源效率或成本效率上利用异构性，以及
（3）将服务放置到不同的节点以执行网络负载平衡。但是，正如我们在第一部分中讨论的那样，MEC中服务放置的目标是遵循用户移动性，从而自适应地减少用户感知的等待时间。
在MEC中高效服务放置的关键挑战是关注用户和设备的移动性。为了应对这一挑战，一些工作基于对未来信息的完美可预测性的假设。例如，使用基于移动性的预测方案解决了执行开销和等待时间之间的折衷，该方案预先估计了数据传输吞吐量，切换时间和VM迁移管理。此外，通过预测数据传输，处理和服务迁移带来的未来成本，进一步研究了如何放置服务。 在自动驾驶用例中提出了一个基于FMeC的框架，该框架基于车辆的移动性模式更新分析，在降低服务迁移成本和维持端到端QoS之间取得了平衡。但是，这项工作没有考虑在多用户情况下多个边缘服务器之间的负载平衡。不幸的是，未来的信息（例如用户移动性）对于在现实环境中进行准确预测非常具有挑战性。
为了应对用户移动性在实践中可能不容易预测的挑战，最近的另一项工作流提出了一个较为温和的假设，即用户移动性遵循马尔可夫过程，然后应用了马尔可夫决策过程（MDP）技术。具体而言，[20]中的一项初步研究通过利用马尔可夫链分析是否迁移服务来探索服务迁移如何影响移动用户的感知延迟。 [21]和[22]都尝试确定基于MDP的服务迁移的最佳阈值决策策略。此外，[23]扩展了服务迁移决策算法[21]以捕获2D移动性场景。在[24]中，通过将服务放置问题表述为顺序决策问题来设计最佳服务迁移策略。相比之下，我们的在线服务放置策略并未对用户移动性做出任何假设，但可以实现可以任意接近离线最佳状态的性能。此外，所有这些工作都没有考虑动态服务放置的实际运营成本约束。
无需将未来的用户移动性作为先验知识，[25]设计了一种二次缩放方法来最大化用户的移动性。通过在分层移动边缘计算中分配计算和通信资源来满足用户的QoS的同时，提高服务提供商的利润。一个明显的区别是，我们的工作考虑了长期成本预算约束，可以不断调整我们的算法以适应系统动态。密切相关的工作[26]提出了一种能源感知的移动性管理方案，以在长期能耗约束下将总延迟（包括通信和计算延迟）最小化。但是，值得注意的是，我们的工作至少在以下三个方面与[26]有所不同和互补：（1）[26]中的研究仅考虑了单用户服务部署方案，而我们认为与实践相关的多用户案例。 （2）我们考虑将有限的边缘资源有效地分配给多个用户，从而协调计算和通信延迟以最小化总等待时间。 （3）为避免因频繁的服务迁移而产生的过多运营成本，我们以经济高效的方式解决了性能成本折衷的问题。
这项工作大大扩展了前期工作。为了提高大规模，超密集网络的服务性能，本文提出了一种具有更快收敛速度​​的分布式服务放置方案。分布式方案不是以协作的方式基于Markov逼近来优化服务性能，而是以非协作的方式使成本最小化。为了评估分布式算法的效率，我们在实验中引入了一种具有移动性模式更新分析的动态布局策略，并在两种提议的算法之间进行了更详细的比较（例如，具有不同密集工作的决策的运行时间）。
三、系统模型和问题公式化
四、在线服务放置算法
五、性能分析
六、性能评估
七、结论
本文研究了具有长期平均时间迁移成本预算的移动边缘服务性能优化问题。我们设计了一种新颖的可感知移动性的在线服务放置框架，以在时间平均的用户感知延迟和迁移成本之间实现理想的平衡。为了解决不可用的未来系统信息（涉及移动性模式和请求到达过程），我们使用Lyapunov优化技术将长期预算纳入一系列实时优化问题中。由于分解后的优化是一个NP难题，因此，我们基于Markov近似和最佳响应更新技术开发了两种有效的启发式方案，以求近乎最优的解决方案。此外，我们提供了我们提出的算法性能的理论证明。此外，广泛的仿真证明了我们的在线算法的有效性，同时保持了长期的迁移成本约束。未来的研究方向包括将在线网络选择与超密集网络相结合。
为了获得较低的端到端等待时间，用户将从多个接入网络（例如，蜂窝宏小区，毫微微小区和WiFi网络）中选择最佳的（例如，较少拥塞的一个）。此外，我们的目标是通过合并设备到设备（D2D）协作来扩展现有的联合边缘云框架，在该协作中，移动用户可以更紧密地共享其计算和通信资源。