[論文レビュー] Edge Cloud Offloading Algorithms: Issues, Methods, and Perspectives

Jianyu Wang, Jianli Pan+4 more|arXiv (Cornell University)|Jun 16, 2018

IoT and Edge/Fog Computing参考文献 37被引用数 41

ひとこと要約

この調査はエッジクラウドオフローディングアルゴリズムを分析し、マルチアクターモデルと分類体系を提案し、単一/複数サーバー戦略、オンライン/オフラインのバランシング、および分割/粒度の考慮を調査します。

ABSTRACT

Mobile devices supporting the "Internet of Things" (IoT), often have limited capabilities in computation, battery energy, and storage space, especially to support resource-intensive applications involving virtual reality (VR), augmented reality (AR), multimedia delivery and artificial intelligence (AI), which could require broad bandwidth, low response latency and large computational power. Edge cloud or edge computing is an emerging topic and technology that can tackle the deficiency of the currently centralized-only cloud computing model and move the computation and storage resource closer to the devices in support of the above-mentioned applications. To make this happen, efficient coordination mechanisms and "offloading" algorithms are needed to allow the mobile devices and the edge cloud to work together smoothly. In this survey paper, we investigate the key issues, methods, and various state-of-the-art efforts related to the offloading problem. We adopt a new characterizing model to study the whole process of offloading from mobile devices to the edge cloud. Through comprehensive discussions, we aim to draw an overall "big picture" on the existing efforts and research directions. Our study also indicates that the offloading algorithms in edge cloud have demonstrated profound potentials for future technology and application development.

研究の動機と目的

• モバイルデバイスからエッジクラウドへのエンドツーエンドのオフローディングプロセスを、三者モデル（モバイルデバイス、通信リンク、エッジサーバ）を用いて特徴づける。
• 宛先、負荷分散、モビリティ、分割、分割粒度の五つの次元に沿って、既存のオフローディングアルゴリズムを分類する。
• 代表的なシングルサーバーおよびマルチサーバーのオフローディングアプローチとその最適化定式化を要約する。
• オンライン対オフラインの負荷分散戦略と、異なるリソース制約下での適用可能性を強調する。

提案手法

• 三つのエージェントと五つの分類次元からなる、オフローディングの新しい分類法を導入する。
• グラフベースおよびVMベースの分割を用いたシングルサーバーオフローディングアプローチとして、MAUIとCloneCloudをレビューし要約する。
• ThinkAirとCloudletを、動的リソース提供とアドホッククラウドレットを備えたマルチサーバー/オフローディングフレームワークとして議論する。
• オンラインおよびオフラインのバランシング手法を分類し、admission control、primal-dual、stochastic、およびロードマイグレーション法を含む。

実験結果

リサーチクエスチョン

• RQ1 エッジクラウドオフローディングを支配する主要なアーキテクチャと最適化の次元は何か？
• RQ2 シングルサーバーとマルチサーバーのオフローディングアプローチは、分割、同期、遅延/エネルギーのトレードオフにおいてどう異なるか？
• RQ3 リソース変動と接続性に対処するために提案されたオンラインおよびオフラインの負荷分散戦略は何か？
• RQ4 分割粒度とスケジューリングは、エッジオフローディングシステムの性能とエネルギー効率にどのように影響するか？

主な発見

• MAUIは近傍エッジサーバを活用することでスマートフォンのエネルギーを削減し、レイテンシを改善する（ビデオゲームで最大27%、チェスで45%、顔認識で85%以上の省エネ、4.8倍のレイテンシ改善）。
• CloneCloudは自動移行による細粒度オフローディングを可能にし、実験で最大20xのスピードアップと20倍のエネルギー削減を達成している。
• ThinkAirはエッジサーバ間で動的な並列VMベースの実行を導入し、スケーラビリティとレイテンシ耐性を向上させる。
• Cloudletアーキテクチャは、ネットワークエッジのアドホッククラウドリソースを用いた柔軟なコンポーネントレベルのオフローディングを可能にし、パフォーマンスを向上させるが、同期の課題がある。
• オンラインバランシング手法は、admission controlとリソースを意識した意思決定をモデル化し、エッジクラウド環境でスループットを最大化する。
• オフラインバランシング手法（例: RIAL）は、マルチクリテリア意思決定によりVM移行とリソース使用を最適化し、移行コストを削减し負荷を分散させる。