文献阅读13

ERP: Edge Resource Pooling for Data StreamMobile Computing（ERP：用于数据流的边缘资源池移动计算）

摘要
近年来，可穿戴设备，视频监控和互联车辆证明了对资源渴求和时延敏感的物联网（IoT）应用的爆炸式增长，对通常计算资源有限的底层物联网设备提出了巨大挑战。 作为回应，可以将计算分流设想为增强物联网设备功能的有前途的方法。为了实现实时，高效的计算分流，本文提出了一种新颖的边缘资源池框架，其中网络边缘的大量设备利用设备到设备（D2D）协作来池化和共享计算资源。其他。具体而言，我们首先将在计算和通信约束下的效用最大化问题（UMP）公式化为混合整数线性规划（MILP）问题，进一步证明它是NP-难问题。为了解决这一挑战，我们提出了一种基于经典最大网络流量问题的贪婪启发式算法，从而以经济高效的方式调度任务卸载。通过考虑中央控制器（例如网络运营商）不可用的情况，进一步提出了分散式任务卸载方案，其中IoT设备进行通信并在本地确定D2D卸载策略​​。严格的理论分析和广泛的评估证明了所提出算法的有效性。
索引词：物联网（IoT），移动边缘计算，计算分流，边缘资源池，设备到设备（D2D）。
一、引言
随着ICT（信息和通信技术）领域的巨大进步，近年来见证了物联网（IoT）设备和应用的激增。根据Gartner的市场报告，到2021年，将有260亿台IoT设备，其中不包括PC，平板电脑和智能手机，这对于可穿戴设备，视频监控和联网设备等各种IoT应用都是必不可少的汽车。这些类型的物联网应用通常需要实时的现场数据流处理，因此需要大量计算，足够的能量供应和高网络带宽。然而，由于物理尺寸的限制，物联网设备通常具有有限的能量容量和计算资源。因此，不断增长的用户需求与物联网设备功能有限之间的矛盾现在成为一个具有挑战性的问题。
为了缓解资源匮乏的应用程序和资源贫乏的IoT设备之间日益加剧的紧张关系，任务分流已被提议为一种有效的解决方案。任务卸载的基本思想是将工作负载从资源贫乏的IoT设备转移到具有足够资源和能源的站点，从而增加IoT设备的资源和能源可用性。沿着这个方向，许多研究工作都集中在移动云计算（MCC）上。借助MCC，工作负载从IoT设备转移到功能更强大的云（如Amazon EC2和Microsoft Azure）上以执行。但是，对于诸如交互游戏之类的一些新兴物联网应用而言，云所引起的长网络延迟仍远远不能满足此类应用的实时交互响应要求。另外，由于高昂的通信成本，将物联网设备生成的大量数据上传到云中可能效率不高。
作为MCC的增强，最近提出了边缘计算（ESTI 2014）和雾计算的概念，以满足计算密集型和时延敏感应用的需求。在雾/边缘计算的范式中，计算和存储资源从网络核心推送到更靠近IoT设备的网络边缘。这个新范例旨在解决传统云计算体系结构中无法很好地支持的移动性支持，地理分布，位置感知和低延迟的需求。由于物联网设备由紧邻的边缘节点提供服务，因此雾/边缘计算可以为物联网设备提供计算和通信增强服务，而不会违反严格的低延迟要求。此外，雾/边缘计算还具有延长电池寿命并降低物联网设备蜂窝成本的潜力。在认识到雾/边缘计算为物联网设备和应用带来的众多好处时，我们应注意，如果将尽可能多的移动工作负载转移到边缘节点，边缘节点的资本和运营支出将大大增加，因为应配置更多资源以匹配高峰需求。
在本文中，我们通过利用边缘资源池来增强物联网设备在边缘计算中的边缘计算能力来解决上述问题，即利用多种附近的设备和设施，以基于设备到设备（D2D）的协作执行协作任务执行。边缘资源池的原理是双重的。一方面，由于IoT设备的运行时资源可用性通常会随时间波动，因此可以将其空闲时的丰富资源进行多路复用，以协助任务非常需要资源的其他设备。另一方面，与某些传统的卸载方法（可能会受限于有限的蜂窝数据速率和较高的传输能耗）相比，D2D卸载使用WiFi Direct，Bluetooth和Zigbee通信，这些通信通常具有较大的网络容量和更高的能源效率。总体而言，边缘资源池对于边缘设施减少资源配置和IoT设备以提高网络容量和能源效率而言都是有吸引力的解决方案。
为了最大程度地提高边缘资源池的系统范围效率，我们通过在设备计算和通信容量约束下将效用最大化问题作为混合整数线性规划（MILP）进行模拟，来优化D2D卸载策略​​。不幸的是，事实证明该问题是NP难题，因此对于大输入而言在计算上是棘手的。为了应对这一挑战，我们提出了一个基于贪婪的集中式启发式算法，以寻求最佳解决方案。特别地，为了确保全局效率的接近最优，贪婪的启发式方法选择首先以更好的成本效率即任务效用与资源需求的比率来卸载任务。通过考虑无法使用集中控制器（例如基站）来聚合所有设备状态信息的用例，我们进一步提出了一种分散式方案来优化D2D卸载策略​​，其中IoT设备进行通信并确定D2D卸载本地策略。
总而言之，在最大限度地提高边缘资源池的全球效率方面，这项工作做出了以下贡献：
•在设备计算和通信容量约束下用数学公式表示效用最大化问题，并证明它是NP难的。
•提出基于贪婪的启发式方法，以针对不同用例寻求效用最大化问题的近似最优解。
•在现实环境和竞争基准下广泛评估提议的解决方案。
二、相关工作
物联网（IoT）作为一种新的技术范例，多年来受到了广泛关注，并被公认为互联网的未来。据估计，到2020年，物联网将达到260亿个单位，并且将通过物联网技术运行大量应用程序。然而，由于物联网设备中计算/存储资源的有限性，移动云计算（MCC）被认为是利用云功能增强物联网应用的有效方法。
以前的许多研究都从何时以及如何卸载方面研究了MCC的卸载策略。具体来说，Wolski等。提出了一个决策框架来确定何时卸载计算将胜过在移动设备上本地执行的性能。 Wen等。通过联合调度数据传输并在移动设备中配置时钟频率以最小化能耗，提出了一种有效的卸载策略。黄等。设计了一种基于Lyapunov优化的动态卸载算法，以在满足应用程序执行时间的同时提高MCC的性能。尽管将任务从IoT设备卸载到云有很多好处，但仍然存在未解决的问题，包括不希望的延迟，无能力上下文感知和数据传输开销。由于绝大多数物联网应用都高度延迟敏感并且需要实时处理，因此MCC可能不是理想的解决方案。在这种情况下，思科提出了革命性的雾计算思想，即雾计算可在终端设备和数据中心，通常但并非唯一地位于网络边缘。雾计算的基本原理是边缘计算，其中计算的执行距离最终用户更近（ETSI 2015）。在作者解释了雾计算的架构组件，并解释了雾计算在物联网环境中的作用。 Yannuzzi等人在中进一步强调了雾计算的重要性和适用性。提出了在物联网网络环境下雾计算的几个案例研究。 [26]提出了一种构建可有效利用雾计算的物联网应用的方法。尽管进行了上述研究，但是雾/边缘计算仍处于成熟的边缘。 [20]提供了有关边缘/雾计算和物联网的研究论文的最新评论，并提出了热门的研究主题和挑战，包括架构功能，管理方法和设计目标。
计算分流作为资源管理方法的基本组成部分之一，在雾/边缘计算领域也引起了研究人员的广泛关注。 Chen等。通过将多用户计算卸载公式化为非合作博弈理论模型，研究了多通道边缘计算环境中的广义多用户计算卸载问题[27]。毛等。 [28]中提出了一种基于Lyapunov优化的动态计算卸载算法，以将计算密集型工作负载卸载到边缘服务器。 [29]提出了一种主动服务框架，以最小化轻型设备的响应延迟。
除了将任务卸载到边缘，基于设备到设备（D2D）通信的协作设备配对可以用于卸载计算密集型任务。例如，Shi等人。提出并实现了一种节能的卸载框架，以间歇连接的方式在移动设备之间分发任务，以达到加快为移动设备计算和节省能源的共同目标[30]。赵等。研究了构成蜂窝网络的D2D通信的能效，并研究了能耗与可用带宽，缓冲区大小和服务延迟之间的权衡[31]。
与上述仅考虑计算或通信容量约束的工作不同，我们的工作实际上考虑了物联网设备有限计算和通信容量的联合约束。
我们还观察到，一些工作已经研究了如何将D2D合作与雾/边缘计算相结合以提高用户体验和设备能效的问题。例如，Chen等。在边缘计算中提出了一种混合且高能效的任务卸载框架，设备可以从多个卸载选项中进行选择，包括本地执行，D2D卸载和边缘卸载[32]。请注意，我们的研究在以下几个方面与工作[32]不同和相辅相成：
（1）我们考虑一个设备可以与其他设备建立多个D2D链接的一般情况，而[32]则假定一个设备可以建立多个D2D链接。与另一台设备的一条D2D链接最多。
（2）我们假设一项任务可以被分割，因此可以在不同的站点执行以充分利用附近的资源，而[32]假设一个任务最多只能在一个站点执行。有了以上巨大的改进，我们的问题就变成了NP难题，而[32]中的问题可以通过图匹配理论得到最佳解决。
最后但并非最不重要的一点是，本文提出了集中式和分散式任务卸载方案。在过去的十年中，集中式云计算已被视为标准的IT基础架构，许多研究人员研究了在不同设置下的集中式计算卸载问题[33] [34] [35]。尽管对中央云的依赖对于需要计算耦合和紧密数据的应用程序非常有效，但是对于生成大量分布式数据的交互式用户参与的应用程序却被证明是不利的[36]。因此，分散式云计算近来受到更多关注。 [36]提出了一种用于物联网计算的分布式云，而许晨则在[37]中设计了一种分散式计算卸载游戏。这种分散式方法具有以下优点：
（1）减少了网络负载；
（2）通过组合来自传感器的数据来提供上下文感知；
（3）没有单点故障，并且更加可靠。
但是，与集中式相比，在分散式方案中由太多处理器引起的过多通信延迟不容忽视。
三、系统模型

四、基于贪婪的启发式

五、绩效评估

六、总结
为了弥合新兴物联网应用的严格及时性要求与物联网设备有限的资源容量之间的差距，在这项工作中，我们提出了一种边缘资源池（ERP）框架，该框架利用D2D任务卸载来促进计算资源池和共享在物联网设备中。具体来说，为了优化D2D任务卸载的效率，我们在计算和通信约束下将效用最大化问题（UMP）公式化为混合整数线性规划（MILP）问题，事实证明这是NP-难问题。为了解决这一挑战，我们提出了一种基于经典最大网络流量问题的集中式贪婪启发式算法，从而以经济高效的方式安排任务分流。对于中央控制器（例如基站）不可用的情况，进一步提出了分散式任务卸载方案，其中IoT设备进行通信并在本地确定D2D卸载策略​​。通过严格的理论分析和广泛的仿真，验证了所提出框架的有效性。
通过考虑各种应用因素来扩展ERP框架还有几个重要的方向。未来工作的一个有趣方向是收紧定理4-6和8-10的边界是不平凡的，但有些松散。这可以通过修改最坏的情况来实现。另一个方向是应对系统动态。为了获得有用的见解，在本文中，我们主要讨论静态设置中的ERP框架，并在每次任务卸载回合期间考虑资源池问题。要在实际系统中部署建议的ERP框架，我们需要考虑其概括性，以处理系统动力学，尤其是设备的移动性。由于Lyapunov优化[46]适合解决动态资源分配问题[32]，因此在将来的工作中，我们可以尝试利用Lyapunov优化方法为ERP框架设计高效的在线算法，以适应系统动态。