[論文レビュー] MAPO: A Multi-Objective Model for IoT Application Placement in a Fog Environment

Narges Mehran, Dragi Kimovski+1 more|arXiv (Cornell University)|Aug 3, 2019

IoT and Edge/Fog Computing参考文献 10被引用数 5

ひとこと要約

MAPOは、実行時間、エネルギー消費、経済的コストのバランスをとるための多目的最適化フレームワークであり、遺伝的アルゴリズムを用いて、ファイアーウェア環境におけるIoTアプリケーションの配置を最適化する。最新の最先端手法と比較して、実行時間を最大7.3倍短縮し、エネルギー消費を最大68%削減し、コストを最大27%低減する。

ABSTRACT

The emergence of the Fog computing paradigm that leverages in-network virtualized resources raises important challenges in terms of resource and IoT application management in a heterogeneous environment offering only limited computing resources. In this work, we propose a novel Pareto-based approach for application placement close to the data sources called Multiobjective IoT application Placement in fOg (MAPO). MAPO models applications based on a finite state machine and uses three conflicting optimization objectives, namely completion time, energy consumption, and economic cost, considering both the computation and communication aspects. In contrast to existing solutions that optimize a single objective value, MAPO enables multi-objective energy and cost-aware application placement. To evaluate the quality of the MAPO placements, we created both simulated and real-world testbeds tailored for a set of medical IoT application case studies. Compared to the state-of-the-art approaches, MAPO reduces the economic cost by up to 27%, while decreasing the energy requirements by 23-68%, and optimizes the completion time by up to 7.3 times.

研究の動機と目的

• リソース制約のあるファイガーエンビランスにおいて、遅延に敏感なIoTアプリケーションの効率的でエネルギーおよびコストに配慮した配置を解決すること。
• 既存のIoTアプリケーション配置ソリューションにおける単一目的または重み付き和アプローチの限界を克服すること。
• 細粒度の最適化を可能にするために、軽量で相互接続されたコンポーネントから構成される有限状態機械としてIoTアプリケーションをモデル化すること。
• 実行時間、エネルギー消費、経済的コストという3つの対立する目的の間で、パレート最適なトレードオフを実現すること。
• シミュレーション環境および実世界のテストベッドを用いた医療IoTアプリケーションワークロードを用いて、手法の妥当性を検証すること。

提案手法

• アプリケーションの機能的ワークフローを表現するために、相互接続されたコンポーネントを備えた有限状態機械としてIoTアプリケーションをモデル化する。
• 実行時間（マクスパン）、エネルギー消費、経済的コストという3つの目的を持つ多目的最適化問題を定式化する。
• パレート最適解の近似を図るため、非優位ソーティング遺伝的アルゴリズム（NSGA-II）を適用する。
• 通信遅延とデータ転送コストを最適化モデルに組み込み、計算およびネットワークのオーバーヘッドを考慮する。
• アプリケーション固有の要件に基づいて、パレート集合から1つの解を選択する意思決定戦略を実装する。
• Docker化されたコンポーネントを用いたファイガーデバイスおよびクラウドデバイス上で、制御されたワークロードおよびデータサイズを用いて、フレームワークを実装・評価する。

実験結果

リサーチクエスチョン

• RQ1 MAPOは、ファイガーエンビランスにおけるアプリケーション実行時間の短縮に関して、既存の単一目的または重み付き目的アプローチと比較してどのように優れているか？
• RQ2 医療IoTアプリケーションにおいて、MAPOは遅延を維持しつつ、エネルギー消費と経済的コストをどの程度低減できるか？
• RQ3 通信データサイズとCPUワークロードが、実世界の展開においてFSPPおよびEWと比較してMAPOのパフォーマンスにどのように影響を与えるか？
• RQ4 多様なIoTアプリケーションワークロードにおいて、MAPOは実行時間、エネルギー効率、コストの間でどのようなトレードオフを達成するか？
• RQ5 MAPOの多目的性は、クラウド制限付きまたは粗粒度の戦略と比較して、配置意思決定にどのように影響を与えるか？

主な発見

• シミュレーションでは最新の最先端手法EWと比較して、MAPOはアプリケーション実行時間を最大7.3倍短縮し、実世界のテストでは最大6.9倍短縮した。
• 実世界の実験では、FSPPと比較して最大68%、EWと比較して最大35%のエネルギー消費削減を達成した。特にCPUワークロードが高い状況で顕著であった。
• EWと比較して最大27%の経済的コスト削減を達成したが、クラウド使用を最優先とするFSPPと比較すると20%高価であった。
• 通信遅延はデータサイズそのものよりも実行時間に大きな影響を与えることが判明し、データ転送経路の最適化の重要性が強調された。
• CPUワークロードが高い状況では、FSPPと比較して66%高いエネルギー効率を達成し、EWと比較して54%低いエネルギー効率であった。これは、バランスの取れたトレードオフ戦略を実現していることを示している。
• パレートベースのアプローチにより、3つの目的を同時に一貫して改善でき、単一目的手法よりも多次元最適化において優れた性能を示した。