[論文レビュー] A Review of Resource Management in Fog Computing: Machine Learning Perspective

Muhammad Fahimullah, Shohreh Ahvar+1 more|arXiv (Cornell University)|Sep 7, 2022

IoT and Edge/Fog Computing被引用数 7

ひとこと要約

この論文は、ファイアーコンピューティングにおける機械学習（ML）ベースのリソース管理をレビューし、プロビジョニング、配置、スケジューリング、割り当て、オフロード、負荷分散の6つの主要分野に分類している。ML技術、特に強化学習の性能指標、iFogSimのようなツール、およびデータセットを評価し、合成データと集中型学習への強い依存が明らかになった。モビリティや炭素排出量への配慮は限定的である。

ABSTRACT

Fog computing becomes a promising technology to process user's requests near the proximity of users to reduce response time for latency-sensitive requests. Despite its advantages, the properties such as resource heterogeneity and limitations, and its dynamic and unpredictable nature greatly reduce the efficiency of fog computing. Therefore, predicting the dynamic behavior of the fog and managing resources accordingly is of utmost importance. In this work, we provide a review of machine learning-based predictive resource management approaches in a fog environment. Resource management is classified into six sub-areas: resource provisioning, application placement, scheduling, resource allocation, task offloading, and load balancing. Reviewed resource management approaches are analyzed based on the objective metrics, tools, datasets, and utilized techniques.

研究の動機と目的

• ファイアーコンピューティングにおける機械学習ベースのリソース管理（RM）アプローチを、6つのコアサブ領域に体系的に分類すること。
• RM研究において最も一般的に使用されているML技術、シミュレーションツール、データセットを特定および分析すること。
• RM研究で優先されている性能指標（コスト、遅延、エネルギー、信頼性など）を評価すること。
• 現在の研究におけるギャップを強調すること、特にモビリティ対応設計や炭素排出量の考慮が不足している点。
• 分散学習や非機能的要件といった未開拓分野を特定することで、今後の研究の基盤を提供すること。

提案手法

• 本論文は、近年の65件以上の研究を分析する、ファイアーコンピューティングにおけるMLベースのRMに焦点を当てた体系的文献レビューを実施している。
• RMを6つのサブ領域に分類：リソースプロビジョニング、アプリケーション配置、スケジューリング、リソース割り当て、タスクオフロード、負荷分散。
• 各RMサブ領域を、目的指標、ML技術（例：強化学習、Q学習、DQN）、シミュレーションツール（例：iFogSim、Python、Java）、およびデータソースに基づいて評価している。
• 性能指標は、プロバイダ側（例：コスト、エネルギー、SLA準拠）とユーザ側（例：遅延、応答時間）の視点に分類して扱っている。
• 合成データと実世界データの比較的評価を含み、GWA-T-12、Google Cluster Trace、MHEALTH、T-Driveなどのデータセットを分析している。
• MLの採用傾向を同定し、特にリアルタイム需要データが限られている状況下で強化学習が優勢であることが明らかになった。

実験結果

リサーチクエスチョン

• RQ1 ファイアーコンピューティングにおけるリソース管理は、どのように明確なサブ領域に分類できるか？
• RQ2 ファイアーリソース管理で最も一般的に使用されている機械学習技術は何か？また、それらは異なるRM次元においてどのように性能を発揮するか？
• RQ3 MLベースのRMアプローチで優先されている性能指標は何か？プロバイダ視点とユーザ視点でどのように異なるか？
• RQ4 ファイアーリソース管理におけるMLモデルの評価に使用されるデータセットの種類（合成データか実世界データか）は何か？それらはモデルの一般化性にどのように影響するか？
• RQ5 最も広く使用されているシミュレーションツールは何か？ツールの選択は、データタイプや研究目的とどのように相関しているか？

主な発見

• 強化学習（RL）は、ファイアーリソース管理において最も広く使用されているML技術であり、特にリアルタイム需要データが限られている場合に顕著である。
• iFogSimシミュレータは、合成データが使用される際、MLベースのRMソリューションを評価する際に最も一般的に使用されているツールである。
• 多くの研究が、実世界の需要トレースが不足しているため、合成データに依存している。一方で、Google Cluster Trace や MHEALTH といった実データセットは少数の研究で使用されている。
• 最も頻繁に最適化される性能指標はコスト、遅延、エネルギー消費量であり、スケジューリングやオフロードにおいてエネルギー消費の最小化に強い注目が集まっている。
• 持続可能なファイアーコンピューティングを考慮すると、炭素排出量を性能の目的としてほとんど無視している。
• バンディットベースの手法を含む分散学習技術は未だに活用が不足しており、大多数のアプローチが集中型学習フレームワークに依存している。