[論文レビュー] An edge-fog-cloud platform for anticipatory learning process designed for Internet of Mobile Things

Hung Cao, Mónica Wachowicz+2 more|arXiv (Cornell University)|Nov 19, 2017

IoT and Edge/Fog Computing参考文献 28被引用数 10

ひとこと要約

本論文は、モバイル・モノのインターネット（IoMT）における予測的学習のための地理的に分散されたエッジ・ミスト・クラウドアーキテクチャを提案し、エッジからクラウドへの階層的データ処理により、リアルタイム分析を可能にしている。このプラットフォームはネットワーク負荷と遅延を低減しつつ、スケーラブルで低遅延の予測を支援する。実際のGTFSおよびカナダ・モンタニーのGPSデータを用いて、訓練データが増加するにつれて精度が向上するトランジット遅延予測モデルにより、有効性が検証された。

ABSTRACT

This paper presents a novel architecture for data analytics targeting an anticipatory learning process in the context of the Internet of Mobile Things. The architecture is geo-distributed and composed by edge, fog, and cloud resources that operate collectively to support such an anticipatory learning process. We designed the architecture to manage large volumes of data streams coming from the IoMT devices, analyze in successive phases climbing up in the hierarchy of resources from edge, fog and cloud. We discuss the characteristics of the analytical tasks at each layer. We notice that the amount of data being transported in the network decreases going from the edge, to the fog and finally to the cloud, while the complexity of the computation increases. Such design allows to support different kind of analytical needs, from real-time to historical according to the type of resource being utilized. We have implemented the proposed architecture as a proof-of-concept using the transit data feeds from the area of Greater Moncton, Canada.

研究の動機と目的

• 動的な環境における、高容量かつリアルタイムのデータストリームを発生させる移動型IoTデバイスのための低遅延かつスケーラブルな分析の課題に対処すること。
• 計算負荷と遅延要件のバランスを取るために、エッジ、ミスト、クラウドリソースを活用する階層的コンピューティングアーキテクチャを設計すること。
• モビリティアプリケーションにおける適応的意思決定のため、リアルタイムフィードバックと履歴分析を組み合わせた予測的学習を可能にすること。
• プラットフォームの有効性を、実世界のトランジットデータを用いて評価し、各レイヤーでスケーラビリティと予測精度を示すこと。
• 予測精度の向上に寄与する、ピアツーピアのノード間での分散型知識共有の可能性を検討すること。

提案手法

• プラットフォームは三段階のアーキテクチャを採用している：エッジデバイスが生のセンサデータ（例：GPS、タイムスタンプ）を収集し、ミストノードが中間の分析とフィルタリングを実行し、クラウドは長期保存と複雑なバッチ処理を担当する。
• IoMTデバイス（例：バス）からのデータストリームは段階的に処理される：エッジでリアルタイムの異常検出、ミストで文脈的集約、クラウドでモデル学習とフィードバック。
• バスの到着時刻（早着／定時／遅延）を予測するためのランダムフォレストモデルを用い、GPS位置、時刻、進行方向、停留所順序など9つの最も影響力のある属性を用いて訓練する。
• モデルの精度を評価するために10分割交差検証が適用され、スケーラビリティを評価するために訓練データサイズの関数として精度が測定された。
• クラウドからの履歴予測結果が、運用管理者にフィードバックされ、性能評価とシステム最適化に活用された。
• 局所的な処理とフィルタリングによりエッジからクラウドへのデータ転送を最小限に抑えることで、データプライバシーと帯域幅の削減を実現した。

実験結果

リサーチクエスチョン

• RQ1 階層的なエッジ・ミスト・クラウドアーキテクチャは、移動型IoTデータストリームのリアルタイム分析と履歴分析を効果的にサポートできるか？
• RQ2 エッジ、ミスト、クラウドレイヤーに分析処理を分散させる際、データ量、ネットワーク負荷、計算複雑性の間のトレードオフは何か？
• RQ3 マルチレイヤー型プラットフォームは、公共交通機関スケジューリングなどのモビリティアプリケーションにおいて、低遅延かつ高精度の予測を達成できるか？
• RQ4 実世界のIoMT環境における、訓練データサイズの増加に伴うモデル精度の向上はどの程度か？
• RQ5 ミストまたはエッジノード間でのピアツーピア情報共有は、予測的システムの予測精度向上にどのような役割を果たすか？

主な発見

• エッジからクラウドへの段階的データ処理により、データ量は減少し、計算複雑性は各レイヤーで増加するが、ネットワーク帯域幅使用量と遅延が著しく低減された。
• バスの到着時刻予測モデルは、訓練データが増加するにつれて精度が向上し、図7の精度曲線の上昇によりその傾向が明確に示された。
• GPS位置、時刻、進行方向などの9つの重要な属性を用いたランダムフォレストと多数決投票により、到着状況（早着／定時／遅延）の分類が安定して実現された。
• クラウドレイヤーは、長期的なシステム評価に不可欠な履歴フィードバックを提供し、システム最適化のための集中型バッチ分析の価値を示した。
• エッジ、ミスト、クラウドのいずれかのレイヤーを単独で隔離しても、完全な予測的学習は達成できなかった。唯一、統合されたマルチレイヤー手法によって、スケーラビリティ、低遅延、高精度が実現された。
• このアーキテクチャはスケーラブルかつ柔軟に拡張可能であり、将来的には全交通網への展開や、ノード間でのピアツーピア知識共有の統合が可能である。