[論文レビュー] EDOS: Edge Assisted Offloading System for Mobile Devices

Hank H. Harvey, Ying Mao+2 more|arXiv (Cornell University)|May 22, 2017

IoT and Edge/Fog Computing参考文献 14被引用数 12

ひとこと要約

EDOSは、エッジアシスタント（EA）とオフロードエージェント（OA）を用いて、クラウドサーバー、インfraストラクチャーネットワーク経由の近隣デバイス、およびアドホックネットワークを介した計算タスクの動的発見および割り当てを実行するハイブリッドエッジ支援オフローディングシステムである。ユーザーが指定した制約のもとで知的なタスク割り当てを実現することで、ローカル実行と比較してジョブ完了時間を最大89％短縮し、顕著な性能向上を達成している。

ABSTRACT

Offloading resource-intensive jobs to the cloud and nearby users is a promising approach to enhance mobile devices. This paper investigates a hybrid offloading system that takes both infrastructure-based networks and Ad-hoc networks into the scope. Specifically, we propose EDOS, an edge assisted offloading system that consists of two major components, an Edge Assistant (EA) and Offload Agent (OA). EA runs on the routers/towers to manage registered remote cloud servers and local service providers and OA operates on the users' devices to discover the services in proximity. We present the system with a suite of protocols to collect the potential service providers and algorithms to allocate tasks according to user-specified constraints. To evaluate EDOS, we prototype it on commercial mobile devices and evaluate it with both experiments on a small-scale testbed and simulations. The results show that EDOS is effective and efficient for offloading jobs.

研究の動機と目的

• モバイルデバイスのCPU、メモリ、バッテリー寿命の制限により、計算集約的タスクを処理する能力に制限が生じる問題に対処すること。
• インフラストラクチャベースのネットワーク（例：クラウド）とアドホックネットワーク（例：近隣デバイス）の両方を活用したハイブリッドオフローディングシステムを設計すること。
• ユーザー定義の制約に基づき、最適なサービスポビダーにタスクを分割・割り当てることでジョブ完了時間を最小化すること。
• 小規模なテストベッドと大規模なシミュレーションを用いて、実世界環境におけるシステムの有効性を評価すること。

提案手法

• エッジアシスタント（EA）はルーターまたはタワーに配置され、リモートクラウドサーバーおよびローカルサービスポビダーの管理と登録を担当する。
• オフロードエージェント（OA）はユーザーデバイス上で実行され、アドホックネットワークを介して近隣のサービスを発見し、オフローディングを調整する。
• インfraストラクチャネットワークおよびピアツーピアの発見を含む、異種ネットワーク間でのサービス発見を可能にするプロトコルのスイートが採用されている。
• 実行コスト、伝送遅延、およびユーザーが指定した制約を考慮したアルゴリズムを用いてタスクを分割・割り当てることで、完了時間を最小化する。
• システムはジョブオフローディングを制約付き最適化問題としてモデル化しており、実験から得られたパラメータ（例：計算遅延 $D_j^c$、伝送遅延 $D_j^t$、予算 $C_{j,B}$）を用いている。
• シミュレーションでは、固定されたタスクコストと均一な通信遅延を仮定した静的モデルを用い、10台のクラウドサーバーと30台のモバイルデバイスを対象にスケーラビリティを評価している。

実験結果

リサーチクエスチョン

• RQ1 インfraストラクチャベースのネットワークとアドホックネットワークの両方を統合することで、モバイルオフローディングはどのように向上するか？
• RQ2 異種サービスポビダー間での動的タスク割り当てがジョブ完了時間に与える影響は何か？
• RQ3 実環境およびシミュレーション環境におけるさまざまなワークロードおよびネットワーク状態下で、システムの性能はどのように変化するか？
• RQ4 ランダムまたはグリーディ戦略と比較して、本システムは顕著な性能向上を達成できるか？

主な発見

• テストベッドでは、EDOSは2ユーザー環境下で、Nexus 7の1592msから149msに画像スターチングの完了時間を短縮し、90.8％の短縮を達成した。
• 場所5、レベル4において、EDOSは149msでスターチングを完了したのに対し、iPhone 6では1152ms、Nexus 7では1592msであったため、最良のローカルデバイスと比較して87％の改善を示した。
• シミュレーションでは、EDOSはレベル4および5において、ランダムおよびコスト最小戦略を上回った。特に338タスクの高複雑度ワークロードで最大の利得を示した。
• EDOSの性能向上は、タスク数が多い（レベル4および5）状況で顕著であり、ローカル実行と比較して完了時間を最大89％短縮した。
• 大規模なシミュレーションにおいて、EDOSは安定性と効率性を示し、ランダム割り当てで見られる不安定性や、コスト最小戦略で生じる遅延ボトルネックを回避した。
• EDOSは、合算コストと遅延の指標に基づき、知的にサービスポビダーを選択することで、負荷を効果的に分散させ、エンドツーエンド遅延を最小化し、一貫してベースライン戦略を上回った。