[논문 리뷰] A Survey on Offloading in Federated Cloud-Edge-Fog Systems with Traditional Optimization and Machine Learning

Binayak Kar, Widhi Yahya외 2명|arXiv (Cornell University)|2022. 02. 22.

IoT and Edge/Fog Computing인용 수 14

한 줄 요약

이 논문은 피어드 클라우드-에지-포그 컴퓨팅 시스템에서 작업 오픈로딩에 대한 종합적인 서베이를 제시하며, 전통적인 최적화 기법과 기계학습(특히 강화학습) 기반 접근법을 비교한다. 새로운 피어드 분류 및 연구 로드맵을 제안하여, 기계학습 기반 오픈로딩이 전통적인 최적화 기법이 계산 오버헤드로 인해 실패하는 동적이고 고차원적인 환경에서 저지연, 적응형 의사결정을 가능하게 한다고 보여준다.

ABSTRACT

The huge amount of data generated by the Internet of things (IoT) devices needs the computational power and storage capacity provided by cloud, edge, and fog computing paradigms. Each of these computing paradigms has its own pros and cons. Cloud computing provides enhanced data storage and computing power but causes high communication latency. Edge and fog computing provide similar services with lower latency but with limited capacity, capability, and coverage. A single computing paradigm cannot fulfil all the requirements of IoT devices and a federation between them is needed to extend their capacity, capability, and services. This federation is beneficial to both subscribers and providers and also reveals research issues in traffic offloading between clouds, edges, and fogs. Optimization has traditionally been used to solve the problem of traffic offloading. However, in such a complex federated system, traditional optimization cannot keep up with the strict latency requirements of decision making, ranging from milliseconds to sub-seconds. Machine learning approaches, especially reinforcement learning, are consequently becoming popular because they can quickly solve offloading problems in dynamic environments with large amounts of unknown information. This study provides a novel federal classification between cloud, edge, and fog and presents a comprehensive research roadmap on offloading for different federated scenarios. We survey the relevant literature on the various optimization approaches used to solve this offloading problem, and compare their salient features. We then provide a comprehensive survey on offloading in federated systems with machine learning approaches and the lessons learned as a result of these surveys. Finally, we outline several directions for future research and challenges that have to be faced in order to achieve such a federation.

연구 동기 및 목표

• 엄격한 지연 및 자원 제약 조건을 가진 다양한 동적 IoT 워크로드를 처리하는 데에 단일 티어 컴퓨팅(클라우드, 에지, 포그)의 한계를 해결하기 위해.
• 연결 유형(수직, 수평, 하이브리드)과 오픈로딩 방향에 따라 피어드 클라우드-에지-포그 시스템 내 오픈로딩 기법을 분석하고 분류하기 위해.
• 복잡하고 동적인 환경에서 오픈로딩 의사결정에 대한 전통적인 최적화 기법과 기계학습 기반 접근법을 비교하기 위해.
• 지연, 신뢰성, 에너지 효율성, 성능 저하 등의 주요 과제를 특정하기 위해.
• 확장 가능하고 적응형이며 신뢰할 수 있는 오픈로딩을 가능하게 하는 향후 연구 방향을 제시하기 위해.

제안 방법

• 클라우드(상단), 에지(중간), 포그(하단)로 구성된 새로운 3단계 피어드 시스템 분류를 제안하며, 각각의 데이터 처리 및 서비스 제공 역할을 명확히 한다.
• 연결 구조와 계산 이동 방향에 따라 오픈로딩을 수직(다른 티어 간), 수평(동일 티어 내), 하이브리드(조합)로 분류한다.
• 오픈로딩에 대한 전통적인 최적화 기법(예: 정수계획법, 휴리스틱 알고리즘)을 검토하며, 실시간 시나리오에서 높은 계산 비용과 지연 문제를 강조한다.
• 기계학습 기반 접근법, 특히 강화학습(RL)을 분석하여, 레이블이 없는 데이터나 체계적 탐색이 필요 없이 환경 피드백에서 최적의 오픈로딩 정책을 학습할 수 있음을 설명한다.
• 빠른 추론과 실시간 의사결정을 가능하게 하는 RL 모델의 평가를 통해, 지연 민감한 IoT 응용 프로그램에 필수적인 1초 이내의 반응 시간을 달성한다.
• 최근 연구들을 대상으로 체계적인 문헌 리뷰를 수행하여 최적화 기법과 기계학습 기반 오픈로딩 방법의 주요 특징, 강점, 한계를 비교한다.

실험 결과

연구 질문

• RQ1 피어드 클라우드-에지-포그 시스템은 지연, 용량, 커버리지 측면에서 개별 컴퓨팅 패러다임의 한계를 어떻게 극복할 수 있는가?
• RQ2 동적이고 대규모 IoT 환경에서 전통적인 최적화 기법과 기계학습 기반 오피스팅 간의 주요 차이점과 상충 관계는 무엇인가?
• RQ3 무엇이 강화학습을 미지 또는 변화하는 파rameter를 가진 시스템과 엄격한 지연 제약 조건이 있는 환경에서 오픈로딩 의사결정에 특히 적합하게 만드는가?
• RQ4 피어드 오픈로딩 아키텍처에서 신뢰성, 낮은 에너지 소비, 성능 격리 보장을 위한 열린 과제는 무엇인가?
• RQ5 이질적이고 피어드된 클라우드-에지-포그 시스템에서 확장 가능하고 적응형이며 안전한 작업 오픈로딩을 실현하기 위해 필요한 향후 연구 방향은 무엇인가?

주요 결과

• 오픈로딩에 대한 전통적인 최적화 기법은 계산 비용이 매우 높고, 동적 IoT 환경에서 실시간 제어 평면의 지연 요구 조건을 자주 위반한다.
• 기계학습, 특히 강화학습은 레이블이 없는 데이터나 체계적 탐색 없이 환경 피드백에서 학습함으로써 빠르고 적응형 오픈로딩 의사결정을 가능하게 한다.
• 강화학습 모델은 입력 파rameter가 불완전하거나 알려지지 않은 상태에서도 실시간으로 근사 최적의 오픈로딩 결정을 내릴 수 있어, 동적이고 대규모 시스템에 이상적이다.
• 동일 티어 내에서의 제공자 간 수평 오픈로딩(예: 에지-에지)은 아직 탐색이 부족하지만, 피어드 시스템에서의 로드 밸런싱과 자원 활용도 향상에 필수적이다.
• 피어드 시스템은 지연 감소, 지리적 다변화를 통한 신뢰성 향상, 서비스 가용성 향상 등의 이점을 제공하지만, 과도한 할당 또는 오용 표현으로 인한 성능 저하를 방지하기 위해 신중한 관리가 필요하다.
• 기계학습과 피어드 오픈로딩의 통합은 특히 지연 및 계산 민감도가 높은 응용 프로그램을 위해 클라우드, 에지, 포그 계층 간에 확장 가능하고 저지연, 에너지 효율적인 작업 분배를 가능하게 한다.