[논문 리뷰] A Review of Resource Management in Fog Computing: Machine Learning Perspective

Muhammad Fahimullah, Shohreh Ahvar외 1명|arXiv (Cornell University)|2022. 09. 07.

IoT and Edge/Fog Computing인용 수 7

한 줄 요약

이 논문은 퍼그 컴퓨팅에서 기계학습(ML) 기반 자원 관리에 대해 검토하며, 자원 제공, 배치, 스케줄링, 할당, 오프로딩, 로드 밸런싱의 여섯 핵심 영역으로 분류한다. 성능 지표, iFogSim와 같은 도구, 데이터셋을 통해 ML 기법—특히 강화학습—을 평가하며, 합성 데이터와 중심화된 학습에 대한 강한 의존도를 드러내며, 이동성 및 탄소 배출량에 대한 고려가 부족하다.

ABSTRACT

Fog computing becomes a promising technology to process user's requests near the proximity of users to reduce response time for latency-sensitive requests. Despite its advantages, the properties such as resource heterogeneity and limitations, and its dynamic and unpredictable nature greatly reduce the efficiency of fog computing. Therefore, predicting the dynamic behavior of the fog and managing resources accordingly is of utmost importance. In this work, we provide a review of machine learning-based predictive resource management approaches in a fog environment. Resource management is classified into six sub-areas: resource provisioning, application placement, scheduling, resource allocation, task offloading, and load balancing. Reviewed resource management approaches are analyzed based on the objective metrics, tools, datasets, and utilized techniques.

연구 동기 및 목표

• 퍼그 컴퓨팅에서 기계학습 기반 자원 관리(RM) 접근법을 여섯 핵심 하위 영역으로 체계적으로 분류하기.
• RM 연구에서 가장 흔히 사용되는 ML 기법, 시뮬레이션 도구, 데이터셋을 식별하고 분석하기.
• RM 연구에서 우선시되는 성능 지표를 평가하기, 비용, 지연, 에너지, 신뢰성 포함.
• 현재 연구의 격차를 부각하기, 이동성 인식 설계와 탄소 배출 고려의 부족.
• 미개척 영역인 탈중앙화된 학습과 비기능 요구사항 등을 식별함으로써 향후 연구의 기초를 마련하기.

제안 방법

• 최근 몇 년 간의 65개 이상의 연구를 분석하는 체계적 문헌 검토를 수행하여, 퍼그 컴퓨팅에서 기계학습 기반 RM에 초점을 맞춘다.
• RM을 여섯 하위 영역으로 분류: 자원 제공, 응용 프로그램 배치, 스케줄링, 자원 할당, 작업 오프로딩, 로드 밸런싱.
• 각 RM 하위 영역을 목적 지표, ML 기법(예: 강화학습, Q-학습, DQN), 시뮬레이션 도구(예: iFogSim, Python, Java), 데이터 원천 기반으로 평가한다.
• 성능 지표는 제공자 측면(예: 비용, 에너지, SLA 준수)과 사용자 측면(예: 지연, 응답 시간)의 관점으로 그룹화된다.
• 합성 데이터와 실세계 데이터셋 간 비교 평가를 포함, 예를 들어 GWA-T-12, Google Cluster Trace, MHEALTH, T-Drive.
• 특히 실시간 수요 데이터가 제한된 조건에서 강화학습의 우세함을 포함한 ML 도입 추세를 식별한다.

실험 결과

연구 질문

• RQ1 퍼그 컴퓨팅에서 자원 관리는 어떻게 고유한 하위 영역으로 분류될 수 있는가?
• RQ2 퍼그 자원 관리에서 가장 흔히 사용되는 기계학습 기법은 무엇이며, 각 RM 차원에서 성능은 어떻게 나타나는가?
• RQ3 ML 기반 RM 접근법에서 우선시되는 성능 지표는 무엇이며, 제공자와 사용자 관점 간에 어떻게 다를 수 있는가?
• RQ4 퍼그 RM에서 ML 모델 평가에 사용되는 데이터셋의 유형—합성 또는 실세계—은 무엇이며, 이는 모델의 일반화 능력에 어떻게 영향을 미치는가?
• RQ5 가장 널리 사용되는 시뮬레이션 도구는 무엇이며, 도구 선택은 데이터 유형과 연구 목표와 어떻게 관련되어 있는가?

주요 결과

• 강화학습(RL)은 퍼그 자원 관리에서 가장 널리 사용되는 ML 기법이며, 실시간 수요 데이터가 제한되거나 없을 경우 특히 그렇다.
• iFogSim 시뮬레이터는 합성 데이터가 사용될 경우, ML 기반 RM 솔루션 평가에 가장 흔히 사용되는 도구이다.
• 대부분의 연구는 실제 수요 트레이스가 부족하여 합성 데이터에 의존하지만, 소수의 연구에서만 Google Cluster Trace 및 MHEALTH와 같은 실세계 데이터셋이 사용된다.
• 가장 자주 최적화되는 성능 지표는 비용, 지연, 에너지 소비이며, 스케줄링 및 오프로딩에서 에너지 사용 최소화에 강한 초점이 있다.
• 지속 가능한 퍼그 컴퓨팅을 고려할 때 중요하지만, 현재의 ML 기반 RM 연구에서는 탄소 배출량을 성능 목표로 삼는 것이 거의 간과되어 있다.
• 밴딧 기반 기법과 같은 탈중앙화된 학습 기법은 활용도가 낮으며, 대부분의 접근법이 중심화된 학습 프레임워크에 의존하고 있다.