[論文レビュー] QoS-aware Dynamic Fog Service Provisioning

Ashkan Yousefpour, Ashish Patil+7 more|arXiv (Cornell University)|Feb 2, 2018

IoT and Edge/Fog Computing参考文献 16被引用数 36

ひとこと要約

FogPlanは、コストと遅延を最小限に抑えるために、フェーズノード間でのサービス配置を最適化する、軽量でQoSに配慮した動的フェーズサービスプロビジョニングフレームワークを提案する。2つの貪欲アルゴリズム（Min-CostおよびMin-Viol）を用いることで、実行時間は低く抑えられながらも、近似的に最適な性能を達成し、スケーラビリティを確保した大規模ネットワークへの適用が可能になる。

ABSTRACT

Recent advances in the areas of Internet of Things (IoT), Big Data, and Machine Learning have contributed to the rise of a growing number of complex applications. These applications will be data-intensive, delay-sensitive, and real-time as smart devices prevail more in our daily life. Ensuring Quality of Service (QoS) for delay-sensitive applications is a must, and fog computing is seen as one of the primary enablers for satisfying such tight QoS requirements, as it puts compute, storage, and networking resources closer to the user. In this paper, we first introduce FogPlan, a framework for QoS-aware Dynamic Fog Service Provisioning (QDFSP). QDFSP concerns the dynamic deployment of application services on fog nodes, or the release of application services that have previously been deployed on fog nodes, in order to meet low latency and QoS requirements of applications while minimizing cost. FogPlan framework is practical and operates with no assumptions and minimal information about IoT nodes. Next, we present a possible formulation (as an optimization problem) and two efficient greedy algorithms for addressing the QDFSP at one instance of time. Finally, the FogPlan framework is evaluated using a simulation based on real-world traffic traces.

研究の動機と目的

• バースト性があり、時間的・空間的に変化するIoTワークロードに応じて、フェーズサービスを動的にプロビジョニングする課題に対処すること。
• 厳格なQoS要件（低遅延および高可用性を含む）を満たしつつ、リソースコストを最小限に抑えること。
• IoTノードに関する仮定や情報が限定的であっても動作可能な実用的なフレームワークを設計すること。
• 動的サービスプロビジョニングにおける、パフォーマンス、実行時間、再構成頻度のトレードオフを評価すること。

提案手法

• QoSに配慮した動的フェーズサービスプロビジョニング（QDFSP）問題を、整数非線形プログラミング（INLP）最適化問題として定式化する。
• コスト最小化とQoS違反削減のそれぞれに基づいた2つの貪欲アルゴリズム（Min-CostおよびMin-Viol）を提案する。
• 動的でバースト性のあるIoTワークロードをシミュレートするために、DTMCベースのトラフィックジェネレータと実世界のトラフィックトレースを用いる。
• 再構成の頻度と運用コストのバランスを取るために、再構成間隔を設定可能な周期的再構成メカニズムを採用する。
• フェーズノード上でのサービスデプロイおよびリリースをモデル化するために、2値の意思決定変数を導入し、サービス配置の動的スケーリングを可能にする。
• 複雑なモデル化を回避し、システム状態の知識が最小限で動作する軽量なフレームワークを導入する。

実験結果

リサーチクエスチョン

• RQ1 バースト性のあるIoTワークロードにおいて、低遅延およびQoS要件を満たすフェーズサービスをどのように動的にプロビジョニングできるか？
• RQ2 動的フェーズサービス配置において、コスト最小化とQoS違反最小化の間にはどのようなトレードオフがあるか？
• RQ3 貪欲アルゴリズムは、最適解と比較して、パフォーマンスおよび実行時間のスケーラビリティにおいてどのように異なるか？
• RQ4 再構成間隔の長さが、サービスプロビジョニングの効率性と応答性に与える影響は何か？
• RQ5 軽量なフレームワークは、最小限のシステム情報と低コストの計算負荷で、近似的に最適なパフォーマンスを達成できるか？

主な発見

• Min-Costは、QoSしきい値に依存しないコストベースのループ条件のため、Min-Violよりも実行時間が速く、100～10,000件のサービスに対して8ms～3秒の実行時間を達成する。
• Min-Violは、特に厳しいQoS要件（例：99.9％の可用性）下で、平均遅延および遅延違反をMin-Costよりもより効果的に低減する。
• Min-Violの優れたQoSパフォーマンスは、QoS依存のループ構造に起因し、10,000件のサービスに対して最大1分58秒の実行時間を要するという、長い実行時間という代償を伴う。
• フレームワークは効率的にスケーリング可能である：10,000台のフェーズノードと100件のサービスに対して、Min-Costは3.2秒、Min-Violは118.992秒を要し、実用的な妥当性が示された。
• 最適解（INLPを用いて）は、大規模ネットワークでは計算的に非現実的であり、Min-Violの完全デプロイに最大3時間も要するなど、効率的なヒューリスティクスの必要性が浮き彫りになった。
• 再構成間隔が短すぎる場合、「不満足なプロビジョニング（impatient provisioning）」のリスクが生じることを同定し、意思決定の安定化のため、より長い間隔またはトラフィック予測の導入を提言した。