[論文レビュー] PRIMAL: PRofIt Maximization Avatar pLacement for Mobile Edge Computing

Xiang Sun, Nirwan Ansari|arXiv (Cornell University)|Oct 14, 2015

Cloud Computing and Resource Management参考文献 22被引用数 4

ひとこと要約

本稿では、モバイルエッジコンピューティングにおける利益最大化型ライブアバター移行戦略「PRIMAL」を提案する。PRIMALは、エンドツーエンド（E2E）遅延を最小限に抑えるとともに移行コストをバランスさせるように、ユーザーのアバターをクラウドレット間で動的に再配置する。E2E遅延低減の利得（gain）と移行によるリソースオーバーヘッド（cost）のトレードオフを最適化することで、PRIMALは『フォロー・ミー』戦略および『スタティック』戦略を凌駕し、低遅延を維持するとともに移行オーバーヘッドを最小限に抑える。

ABSTRACT

We propose a cloudlet network architecture to bring the computing resources from the centralized cloud to the edge. Thus, each User Equipment (UE) can communicate with its Avatar, a software clone located in a cloudlet, with lower end-to-end (E2E) delay. However, UEs are moving over time, and so the low E2E delay may not be maintained if UEs' Avatars stay in their original cloudlets. Thus, live Avatar migration (i.e., migrating a UE's Avatar to a suitable cloudlet based on the UE's location) is enabled to maintain low E2E delay between each UE and its Avatar. On the other hand, the migration itself incurs extra overheads in terms of resources of the Avatar, which compromise the performance of applications running in the Avatar. By considering the gain (i.e., the E2E delay reduction) and the cost (i.e., the migration overheads) of the live Avatar migration, we propose a PRofIt Maximization Avatar pLacement (PRIMAL) strategy for the cloudlet network in order to optimize the tradeoff between the migration gain and the migration cost by selectively migrating the Avatars to their optimal locations. Simulation results demonstrate that as compared to the other two strategies (i.e., Follow Me Avatar and Static), PRIMAL maximizes the profit in terms of maintaining the low average E2E delay between UEs and their Avatars and minimizing the migration cost simultaneously.

研究の動機と目的

• 移動するユーザー機器（UEs）とそのソフトウェアクローン（アバター）間のエンドツーエンド（E2E）遅延を低く保つ課題に対処すること。
• 計算およびネットワークリソースを消費するライブアバター移行によって引き起こされる性能劣化を軽減すること。
• アバター移行の利得（E2E遅延低減）とコスト（移行オーバーヘッド）の最適なバランスを図る戦略を開発すること。
• PRIMALを、『フォロー・ミー』（低遅延を優先）および『スタティック』（低移行コストを優先）の2つのベースライン戦略と比較して評価すること。

提案手法

• PRIMALは、移行利得（E2E遅延低減）と移行コスト（リソースオーバーヘッド）の差として定義される利益を最大化する最適化問題として、アバター配置問題を定式化する。
• 利益関数には、遅延低減と移行コストのトレードオフを調整できる調整可能な重みパラメータαを組み込み、ネットワーク状態に応じた動的調整を可能にする。
• アルゴリズムは予測モデルを用いて将来のUE位置を推定し、E2E遅延を最小限に抑えるとともに不要な移行を回避するように最適なクラウドレット移行先を選択する。
• 移行意思決定は、UE移動性のリアルタイム監視、クラウドレットリソース利用状況、ネットワーク全体のE2E遅延測定に基づいて行われる。
• 戦略は、アバターとUE間の柔軟かつ迅速なパスプロビジョニングを可能にするソフトウェア定義ネットワーキング（SDN）ベースのコアネットワークを活用する。
• 性能評価のため、実際の移動トレースを用いたシミュレーションが実施され、αの異なる値に対して平均RTT、移行回数、移行時間を測定する。

実験結果

リサーチクエスチョン

• RQ1 クラウドレットネットワークにおける移動UEのE2E遅延を低く保つために、アバター移行をどのように戦略的に管理できるか？
• RQ2 モバイルエッジコンピューティングにおいて、E2E遅延低減（利得）とリソース消費（コスト）の最適なトレードオフは何か？
• RQ3 提案されたPRIMAL戦略は、利益、遅延、移行オーバーヘッドの観点から、スタティック戦略および『フォロー・ミー』戦略と比べてどのように異なるか？
• RQ4 重みパラメータαは、PRIMALにおける遅延低減と移行コストのバランスにどのように影響を与えるか？

主な発見

• PRIMALは、E2E遅延低減と移行コストのバランスを的確に図ることで、『フォロー・ミー』戦略および『スタティック』戦略を上回る最高の利益を達成する。
• αが増加するにつれて、PRIMALとスタティック戦略との間の平均利益格差が縮小する。これは、移行コストが優勢になるとPRIMALがスタティック戦略に収束することを示している。
• αが低い場合、PRIMALはRTTを低減するためにより多くの移行を引き起こすが、移行時間の増加を許容する。これは遅延感受性に応じた迅速な反応を示している。
• αが増加するにつれて、遅延低減効果がわずかでコストが高くなる不要な移行をPRIMALは削減する。これは、コスト制御の適応的特性を示している。
• シミュレーション結果から、PRIMALが平均RTTと移行回数の両面で最良のトレードオフを達成していることが確認され、ベースライン戦略に比して明確な性能向上が見られた。
• 提案戦略により、リモートデータセンターへのデータ送信量が効果的に削減され、クラウドレットでのローカルデータ処理が可能になる。これによりスケーラビリティが向上し、遅延が低減される。