[논문 리뷰] EDOS: Edge Assisted Offloading System for Mobile Devices

Hank H. Harvey, Ying Mao외 2명|arXiv (Cornell University)|2017. 05. 22.

IoT and Edge/Fog Computing참고 문헌 14인용 수 12

한 줄 요약

EDOS는 엣지 어시스턴트(IA)와 오프로드 에이전트(OA)를 사용하여 클라우드 서버, 인프라 네트워크를 통한 근접 장치, 그리고 애드혹 네트워크를 통해 동적으로 계산 작업을 탐지하고 할당하는 하이브리드 엣지 보조 오프로딩 시스템이다. 사용자 지정 제약 조건 하에 지능적인 작업 할당을 통해 국지 실행 대비 최대 89%까지 작업 완료 시간을 단축시켜 뚜렷한 성능 향상을 이룬다.

ABSTRACT

Offloading resource-intensive jobs to the cloud and nearby users is a promising approach to enhance mobile devices. This paper investigates a hybrid offloading system that takes both infrastructure-based networks and Ad-hoc networks into the scope. Specifically, we propose EDOS, an edge assisted offloading system that consists of two major components, an Edge Assistant (EA) and Offload Agent (OA). EA runs on the routers/towers to manage registered remote cloud servers and local service providers and OA operates on the users' devices to discover the services in proximity. We present the system with a suite of protocols to collect the potential service providers and algorithms to allocate tasks according to user-specified constraints. To evaluate EDOS, we prototype it on commercial mobile devices and evaluate it with both experiments on a small-scale testbed and simulations. The results show that EDOS is effective and efficient for offloading jobs.

연구 동기 및 목표

• 제한된 CPU, 메모리, 배터리 수명으로 인해 모바일 장치가 계산 집약적인 작업을 처리하는 데 어려움을 겪는 문제를 해결하기 위해.
• 기반 네트워크(예: 클라우드)와 애드혹 네트워크(예: 근접 장치)를 모두 활용하여 서비스 탐색을 위한 하이브리드 오프로딩 시스템을 설계하기 위해.
• 사용자 정의 제약 조건을 바탕으로 최적의 서비스 제공자에게 분할된 작업을 지능적으로 할당하여 작업 완료 시간을 최소화하기 위해.
• 소규모 테스트베드와 대규모 시뮬레이션을 통해 실제 환경에서 시스템의 효과성을 평가하기 위해.

제안 방법

• 시스템은 라우터나 타워에 배치된 엣지 어시스턴트(IA)를 사용하여 원격 클라우드 서버와 현지 서비스 제공자를 관리하고 등록한다.
• 사용자 장치에 배치된 오프로드 에이전트(OA)는 애드혹 네트워크를 통해 근접 서비스를 탐색하고 오프로딩을 조율한다.
• 다양한 네트워크 간 서비스 탐색을 가능하게 하는 프로토콜 세트를 제공하며, 기반 네트워크 및 피어 투 피어 탐색을 포함한다.
• 실행 비용, 전송 지연, 사용자 지정 제약 조건를 고려하여 작업을 분할하고 할당하는 알고리즘을 사용하여 완료 시간을 최소화한다.
• 시스템은 작업 오프로딩을 제약 조건이 있는 최적화 문제로 모델링하며, 실험적으로 유도된 계산 지연 $D_j^c$, 전송 지연 $D_j^t$, 예산 $C_{j,B}$ 등의 파라미터를 사용한다.
• 시뮬레이션은 고정된 작업 비용과 균일한 통신 지연을 가진 정적 모델을 사용하여 10대의 클라우드 서버와 30대의 모바일 장치에서의 확장성 평가를 수행한다.

실험 결과

연구 질문

• RQ1 기반 네트워크와 애드혹 네트워크를 모두 통합함으로써 모바일 오프로딩을 어떻게 향상시킬 수 있는가?
• RQ2 이질적인 서비스 제공자 간의 동적 작업 할당이 작업 완료 시간에 미치는 영향은 무엇인가?
• RQ3 실제 및 시뮬레이션 환경에서 다양한 워크로드와 네트워크 조건에서 시스템의 성능은 어떠한가?
• RQ4 무작위 또는 근시적인 할당 전략 대비 시스템이 뚜렷한 성능 향상을 달성할 수 있는가?

주요 결과

• 테스트베드에서 EDOS는 두 사용자 환경에서 이미지 스티칭 완료 시간을 넥서스 7의 1592ms에서 149ms로 단축하여 90.8% 감소시켰다.
• 위치 5, 레벨 4에서 EDOS는 149ms에 스티칭을 완료했으며, 아이폰 6의 1152ms 및 넥서스 7의 1592ms 대비 최상의 국지 장치 대비 87% 향상된 성능를 보였다.
• 시뮬레이션 결과 EDOS는 레벨 4와 5에서 랜덤 및 최소비용 할당 전략보다 뛰어난 성능를 보였으며, 특히 고복잡도 워크로드(338개 작업)에서 가장 큰 성과를 보였다.
• EDOS의 성능 향상은 작업 수가 많을수록 두드러졌으며, 특히 레벨 4와 5에서 국지 실행 대비 최대 89%까지 완료 시간을 단축시켰다.
• 대규모 시뮬레이션에서 시스템은 안정성과 효율성을 입증했으며, 랜덤 할당에서 관찰된 불안정성과 최소비용 할당에서 발생하는 지연 병목 현상을 피했다.
• EDOS는 복합 비용과 지연 지표를 기반으로 지능적으로 제공자를 선택함으로써 부하를 효과적으로 균형 잡고 종단 간 지연을 최소화하여 기준 전략을 일관되게 능가했다.