[논문 리뷰] Dynamic Service Migration in Mobile Edge-Clouds

Shiqiang Wang, Rahul Urgaonkar외 4명|arXiv (Cornell University)|2015. 06. 17.

Age of Information Optimization인용 수 34

한 줄 요약

이 논문은 사용자 이동성의 불확실성 하에서 지연과 네트워크 비용을 최소화하기 위해 모바일 엣지-클라우드 환경에서의 동적 서비스 마이그레이션을 마르코프 결정 과정(MDP)으로 공식화한다. 사용자-서비스 간 거리를 사용하여 상태 공간을 근사화함으로써 근사 최적의 마이그레이션 정책을 효율적으로 계산할 수 있으며, 샌프란시스코의 실제 택시 이동 추적 데이터를 사용한 시뮬레이션을 통해 검증된다.

ABSTRACT

We study the dynamic service migration problem in mobile edge-clouds that host cloud-based services at the network edge. This offers the benefits of reduction in network overhead and latency but requires service migrations as user locations change over time. It is challenging to make these decisions in an optimal manner because of the uncertainty in node mobility as well as possible non-linearity of the migration and transmission costs. In this paper, we formulate a sequential decision making problem for service migration using the framework of Markov Decision Process (MDP). Our formulation captures general cost models and provides a mathematical framework to design optimal service migration policies. In order to overcome the complexity associated with computing the optimal policy, we approximate the underlying state space by the distance between the user and service locations. We show that the resulting MDP is exact for uniform one-dimensional mobility while it provides a close approximation for uniform two-dimensional mobility with a constant additive error term. We also propose a new algorithm and a numerical technique for computing the optimal solution which is significantly faster in computation than traditional methods based on value or policy iteration. We illustrate the effectiveness of our approach by simulation using real-world mobility traces of taxis in San Francisco.

연구 동기 및 목표

• 사용자 이동성이 네트워크 조건을 동적으로 변화시키는 모바일 엣지-클라우드 환경에서 최적의 서비스 마이그레이션을 해결하는 데 초점한다.
• 사용자 이동성의 불확실성과 비선형 비용 하에서 서비스 마이그레이션을 순차적 의사결정 문제로 모델링한다.
• 사용자와 서비스 위치 간 거리를 사용하여 상태 공간을 근사화함으로써 MDP 기반 정책의 계산 복잡도를 감소시킨다.
• 기존의 값 또는 정책 반복 방법보다 뛰어난 성능을 보이는 최적의 마이그레이션 정책을 계산하기 위한 빠른 수치 알고리즘을 개발한다.
• 샌프란시스코의 택시에서 확보한 실제 이동 추적 데이터를 사용하여 접근 방식을 평가하여 실용적 효과성을 입증한다.

제안 방법

• 사용자 이동성과 비용 함수의 동적이고 불확실한 특성을 모델링하기 위해 서비스 마이그레이션을 마르코프 결정 과정(MDP)으로 공식화한다.
• 사용자와 서비스 위치 간 거리만을 사용하여 전체 상태 공간을 근사화하며, 이는 1차원 균일 이동성의 경우 정확하고, 2차원에서는 유한한 오차를 가진 근사로 정확하다.
• 기존의 값 반복 또는 정책 반복 방법보다 훨씬 더 빠르게 최적의 정책을 계산할 수 있는 새로운 수치 기법을 도입한다.
• 전송 및 마이그레이션 비용을 일반화할 수 있는 비용 모델을 활용하여 비선형성을 수용한다.
• 샌프란시스코의 실제 택시 이동 추적 데이터를 사용하여 현실적인 사용자 이동 패턴을 시뮬레이션함으로써 접근 방식을 검증한다.

실험 결과

연구 질문

• RQ1 불확실하고 동적인 사용자 이동성 하에서 모바일 엣지-클라우드 환경에서 서비스 마이그레이션 결정을 어떻게 최적화할 수 있는가?
• RQ2 사용자-서비스 간 거리 기반 상태 공간 근사화가 마이그레이션 정책의 정확도와 성능에 어떤 영향을 미치는가?
• RQ3 기존의 MDP 솔버보다 더 빠른 수치 방법을 개발하여 최적의 마이그레이션 정책을 계산할 수 있는가?
• RQ4 도시 내 택시 이동 패턴과 같은 실제 이동 패턴 하에서 제안된 접근 방식은 얼마나 잘 성능을 발휘하는가?

주요 결과

• 거리 기반 상태 근사화는 1차원 균일 이동성의 경우 정확한 해를 제공하고, 2차원 균일 이동성의 경우 일정한 덧셈 오차를 가진 근사로 정확도가 높다.
• 제안된 수치 알고리즘은 기존의 값 반복 또는 정책 반복 방법보다 최적의 정책을 훨씬 더 빠르게 계산한다.
• 샌프란시스코 택시의 실제 이동 추적 데이터를 사용한 시뮬레이션을 통해, 동적 엣지-클라우드 환경에서 지연과 네트워크 오버헤드를 효과적으로 줄일 수 있음을 입증한다.
• 프레임워크는 비선형 마이그레이션 및 전송 비용을 포함한 일반적인 비용 모델을 성공적으로 포괄하여 더 넓은 적용 가능성을 확보한다.