[논문 리뷰] ENGINE:Cost Effective Offloading in Mobile Edge Computing with Fog-Cloud Cooperation

Long Chen, Jigang Wu외 2명|arXiv (Cornell University)|2017. 11. 06.

IoT and Edge/Fog Computing참고 문헌 3인용 수 15

한 줄 요약

이 논문은 이동형 엣지 컴퓨팅에서 이동 장치의 예산 제약 하에 작업 완료 시간을 최소화하기 위해 안정적이고 비용 효율적인 오프로딩 기법인 ENGINE을 제안한다. 작업 간 의존성을 모델링하고 그레디 알고리즘을 사용하여 근사 최적 성능를 달성하며, 시뮬레이티드 어닐링보다 평균적으로 28.13% 빠른 응용 프로그램 완료 시간을 기록한다. 이는 현지, 퍼그, 클라우드 실행 간 비용과 지연 시간의 상호 보완적 균형을 효율적으로 유지한다.

ABSTRACT

Mobile Edge Computing (MEC) as an emerging paradigm utilizing cloudlet or fog nodes to extend remote cloud computing to the edge of the network, is foreseen as a key technology towards next generation wireless networks. By offloading computation intensive tasks from resource constrained mobile devices to fog nodes or the remote cloud, the energy of mobile devices can be saved and the computation capability can be enhanced. For fog nodes, they can rent the resource rich remote cloud to help them process incoming tasks from mobile devices. In this architecture, the benefit of short computation and computation delay of mobile devices can be fully exploited. However, existing studies mostly assume fog nodes possess unlimited computing capacity, which is not practical, especially when fog nodes are also energy constrained mobile devices. To provide incentive of fog nodes and reduce the computation cost of mobile devices, we provide a cost effective offloading scheme in mobile edge computing with the cooperation between fog nodes and the remote cloud with task dependency constraint. The mobile devices have limited budget and have to determine which task should be computed locally or sent to the fog. To address this issue, we first formulate the offloading problem as a task finish time inimization problem with given budgets of mobile devices, which is NP-hard. We then devise two more algorithms to study the network performance. Simulation results show that the proposed greedy algorithm can achieve the near optimal performance. On average, the Brute Force method and the greedy algorithm outperform the simulated annealing algorithm by about 28.13% on the application finish time.

연구 동기 및 목표

• 이동 장치가 에너지와 계산 능력이 제한되어 있고, 퍼그 노드 역시 자원이 제한된 이동형 엣지 컴퓨팅 환경에서 계산 오프로딩 문제를 해결하기 위해.
• 이동 장치의 예산 제약을 고려하면서 응용 프로그램 완료 시간을 최소화하는 비용 효율적인 오프로딩 전략을 설계하기 위해.
• 작업 의존성을 고려하여 저지연 퍼그 처리와 고용량 클라우드 실행 간의 균형을 이루기 위해 퍼그 노드와 원거리 클라우드 간의 협업을 수행하기 위해.
• 금전적 보상과 유틸리티 기반 자원 할당을 통합하여 퍼그 노드가 오프로딩에 참여하도록 유인하기 위해.
• 예산 및 의존성 제약 조건 하에서 작업이 현지, 퍼그, 또는 클라우드에서 실행되어야 할지를 효율적으로 결정하는 알고리즘을 개발하고 평가하기 위해.

제안 방법

• 주어진 이동 장치 예산 하에서 작업 완료 시간 최소화 문제로 오프로딩 문제를 수립하였으며, 이 문제가 NP-난제임을 증명하였다.
• 실제 작업 의존성을 반영하기 위해 부분 작업 간 순서 제약 조건이 있는 방향성 비순환 그래프(DAG)로 응용 워크로드를 모델링하였다.
• 비용과 지연 시간을 기반으로 퍼그 노드를 우선적으로 오프로딩하는 그레디 알고리즘을 도입하였으며, 퍼그의 용량 또는 예산을 초과할 경우 동적으로 작업을 클라우드로 이관한다.
• 소규모 시나리오에서 최적의 작업 할당을 평가하기 위한 성능 기준으로 브루트 포스 방법을 사용하였다.
• 제안된 그레디 접근법의 성능를 평가하기 위해 비교적 히우리스틱 알고리즘으로 시뮬레이티드 어닐링을 사용하였다.
• 비용 제약 조건 하에서의 실현 가능성을 보장하기 위해 퍼그 및 클라우드 노드의 유틸리티 함수를 통합하였다.

실험 결과

연구 질문

• RQ1 이동 장치의 예산이 제한되어 있고 퍼그 노드의 자원도 제한된 상황에서 이동형 엣지 컴퓨팅 환경에서 계산 오프로딩을 어떻게 최적화할 수 있는가?
• RQ2 작업 의존성과 비용 제약 조건 하에서 현지 실행, 퍼그 오프로딩, 클라우드 오프로딩 간 최적의 트레이드오프는 무엇인가?
• RQ3 퍼그 노드에 금전적 보상이 포함될 경우 전체 시스템 성능과 작업 완료 시간에 어떤 영향을 미치는가?
• RQ4 그레디 알고리즘이 응용 프로그램 완료 시간과 비용 효율성 측면에서 최적 해를 얼마나 잘 근사할 수 있는가?
• RQ5 퍼그 노드의 가격과 사용자 예산이 변화할 경우, 현지, 퍼그, 클라우드 실행 계층 간 작업 분포에 어떤 영향을 미치는가?

주요 결과

• 그레디 알고리즘은 작업 완료 시간에서 근사 최적 성능를 달성하며, 시뮬레이티드 어닐링보다 평균적으로 28.13% 빠른 성능를 기록한다.
• 브루트 포스 방법은 데이터 크기가 증가함에 따라 실행 시간이 지수적으로 증가하는 반면, 그레디 알고리즘과 시뮬레이티드 어닐링 알고리즘은 선형 증가를 보인다.
• 퍼그 노드의 가격이 상승함에 따라 오프로딩된 작업 수가 감소함을 확인하였으며, 이는 알고리즘이 비용 파rameter에 민감함을 보여준다.
• 사용자 예산이 증가함에 따라 오프로딩된 작업 수는 처음에는 증가하지만, 퍼그의 용량 한계에 도달하면 정점에 도달하여 이후에는 작업이 클라우드로 이관된다.
• 그레디 알고리즘은 비용과 성능를 효과적으로 균형 잡으며, 계산 비용이 낮은 상태에서 최적의 브루트 포스 솔루션과 매우 유사한 성능를 기록한다.
• 모든 클라우드 시나리오에서 클라우드 유틸리티는 작업량에 따라 선형적으로 증가하며, 제약 조건이 있는 경우 클라우드 유틸리티의 상한선으로 기능한다.