[論文レビュー] From Zero to Fog: Efficient Engineering of Fog-Based IoT Applications.

Tobias Pfandzelter, Jonathan Hasenburg+1 more|arXiv (Cornell University)|Aug 18, 2020

IoT and Edge/Fog Computing参考文献 5被引用数 4

ひとこと要約

本論文は、スマートファクトリーの事例研究を通じて、物理的テストベッドで測定可能な性能向上が得られる、効率的なフォッグベースのIoTアプリケーションを設計するための三段階のプロセス—ベストプラクティス、シミュレーション、テストベッド検証—を提案する。フォッグとクラウドのノード間で段階的に最適化されたコンポーネント配置を繰り返し適用することで、レイテンシと帯域幅の使用量を低減する。

ABSTRACT

In IoT data processing, cloud computing alone does not suffice due to latency constraints, bandwidth limitations, and privacy concerns. By introducing intermediary nodes closer to the edge of the network that offer compute services in proximity to IoT devices, fog computing can reduce network strain and high access latency to application services. While this is the only viable approach to enable efficient IoT applications, the issue of component placement among cloud and intermediary nodes in the fog adds a new dimension to system design. State-of-the-art solutions to this issue rely on either simulation or solving a formalized assignment problem through heuristics, which are both inaccurate and fail to scale with a solution space that grows exponentially. In this paper, we present a three step process for designing practical fog-based IoT applications that uses best practices, simulation, and testbed analysis to converge towards an efficient system architecture. We then apply this process in a smart factory case study. By deploying filtered options to a physical testbed, we show that each step of our process converges towards more efficient application designs.

研究の動機と目的

• フォッグコンピューティングにおけるIoTアプリケーションの非効率なコンポーネント配置が引き起こす高レイテンシ、帯域幅の圧迫、プライバシーのリスクを解消すること。
• 急速に拡大する解空間においてスケーラビリティに欠け、正確性に欠ける、従来のヒューリスティックおよびシミュレーションベースの手法の限界を克服すること。
• 実世界での検証を通じて収束する、実用的で反復的な設計手法を構築すること。
• スマートファクトリーの実世界のユースケースにおいて、測定可能な性能向上を示す、この手法の有効性を実証すること。

提案手法

• レイテンシ、データの機微性、処理要件に基づいて、初期のコンポーネント配置意思決定を支援するため、フォッグアーキテクチャの確立されたベストプラクティスを適用する。
• さまざまなデプロイメント構成をモデル化し、ネットワークおよびワークロード条件の違いによる性能のトレードオフを評価するために、シミュレーションを用いる。
• フィルタリングされた設計オプションをデプロイし、実際のレイテンシ、スループット、リソース使用率を測定することで、有望な構成を物理的テストベッドで検証する。
• シミュレーション結果とテストベッド測定値を比較して反復的にシステム設計を最適化し、効率性を向上させるためにコンポーネント配置を調整する。
• テストベッド実験からのフィードバックを活用して、シミュレーションモデルの精度を向上させ、さらなる最適化サイクルを導く。
• 計算負荷の高いコンポーネントをフォッグ層でIoTデバイスに近い位置に戦略的に配置することで、エンドツーエンドのレイテンシとネットワーク帯域幅の消費を最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 フォッグベースのIoTシステムにおけるコンポーネント配置を、レイテンシと帯域幅の使用量を低減するために、体系的に最適化する方法は何か？
• RQ2 ベストプラクティス、シミュレーション、実際のテストベッド検証を組み合わせることで、純粋なヒューリスティックまたはシミュレーションベースの手法と比較して、フォッグアプリケーション設計の効率性はどの程度向上するか？
• RQ3 実世界のテストによる反復的設計の最適化は、スマートファクトリーのIoT展開において測定可能な性能向上をもたらすか？
• RQ4 異なる配置戦略は、実際のフォッグ環境におけるエンドツーエンドのレイテンシとネットワーク負荷にどのように影響するか？

主な発見

• ベストプラクティス、シミュレーション、テストベッド検証の三段階プロセスは、ヒューリスティックまたはシミュレーションのみの手法と比較して、より効率的なシステムアーキテクチャへの収束を可能にする。
• 物理的テストベッドでのデプロイが、シミュレーションとベストプラクティスから導かれたフィルタリングされた設計オプションが、エンドツーエンドのレイテンシとネットワーク負荷を顕著に低減していることを確認した。
• テストベッドからのフィードバックに基づく反復的最適化により、シミュレーションモデルの精度が向上し、より優れたコンポーネント配置意思決定が実現した。
• 本手法は、スマートファクトリー環境における複雑で現実的なIoTワークロードにスケーラブルに適応でき、実用的応用性を示した。
• 提案手法を用いて得られたコンポーネント配置意思決定は、ベースライン構成と比較して、測定可能なレイテンシと帯域幅消費の削減を達成した。
• 実世界のテストとシミュレーション、設計原則の統合により、より信頼性が高く効率的なフォッグアプリケーションアーキテクチャが得られた。