[논문 리뷰] Genetic-based optimization in Fog Computing: current trends and research opportunities

Carlos Guerrero, Isaac Lera외 1명|arXiv (Cornell University)|2021. 12. 03.

IoT and Edge/Fog Computing참고 문헌 183인용 수 32

한 줄 요약

이 논문은 페그 컴퓨팅에서 유전 알고리즘(GA) 기반 최적화에 대한 체계적 리뷰를 제시하며, 최근 70篇의 연구를 분석하여 추세, 설계 패턴, 연구 격차를 규명한다. 최적화 범위와 GA 설계를 위한 분류 체계를 제안하여 데이터 관리 및 서비스 마이그레이션과 같은 미충분한 분야를 드러내며, 페그의 이질성과 분산 특성에 맞는 고도화된 병렬, 하이브리드, 적응형 GA의 개발을 촉구한다.

ABSTRACT

Fog computing is a new computational paradigm that emerged from the need to reduce network usage and latency in the Internet of Things (IoT). Fog can be considered as a continuum between the cloud layer and IoT users that allows the execution of applications or storage/processing of data in network infrastructure devices. The heterogeneity and wider distribution of fog devices are the key differences between cloud and fog infrastructure. Genetic-based optimization is commonly used in distributed systems; however, the differentiating features of fog computing require new designs, studies, and experimentation. The growing research in the field of genetic-based fog resource optimization and the lack of previous analysis in this field have encouraged us to present a comprehensive, exhaustive, and systematic review of the most recent research works. Resource optimization techniques in fog were examined and analyzed, with special emphasis on genetic-based solutions and their characteristics and design alternatives. We defined a classification of the optimization scope in fog infrastructures and used this optimization taxonomy to classify the 70 papers in this survey. Subsequently, the papers were assessed in terms of genetic optimization design. Finally, the benefits and limitations of each surveyed work are outlined in this paper. Based on these previous analyses of the relevant literature, future research directions were identified. We concluded that more research efforts are needed to address the current challenges in data management, workflow scheduling, and service placement. Additionally, there is still room for improved designs and deployments of parallel and hybrid genetic algorithms that leverage, and adapt to, the heterogeneity and distributed features of fog domains.

연구 동기 및 목표

• 증가하는 연구가 이루어지고 있지만 이전에 종합적인 서베이가 없는 분야인 페그 컴퓨팅에서 GA 기반 최적화에 대한 체계적 분석의 필요성을 해결하기 위해.
• 특히 데이터 관리, 워크플로우 스케줄링, 서비스 배치 분야에서의 페그 자원 최적화의 주요 과제와 연구 격차를 규명하기 위해.
• 향후 연구 및 개발을 안내하기 위해 최적화 범위와 GA 설계를 위한 체계적인 분류 체계를 제공하기 위해.
• 스케일러비리티, 이질성, 실시간 성능 등의 측면에서 기존 GA 기반 접근법의 강점과 한계를 평가하기 위해.
• 병렬, 하이브리드, 적응형 GA의 제안과 함께 오สโม틱 컴퓨팅과 같은 새로운 패러다임과의 통합을 포함한 향후 연구 방향을 제시하기 위해.

제안 방법

• Google Scholar와 Web of Science를 활용한 체계적 문헌 리뷰를 수행하여 페그 컴퓨팅에서 GA 기반 최적화에 관련된 70篇의 논문을 선별하였다.
• 이중 계층 분류 체계를 개발: 최적화 범위(예: 서비스 배치, 워크플로우 스케줄링, 데이터 관리)와 GA 설계(예: 단일 목표, 다중 목표, 병렬, 하이브리드 GA)에 대한 분류 체계.
• 정의된 분류 체계에 따라 각 논문을 분류 및 분석하였으며, 최적화 목표, 적합도 함수, 유전 연산자(교차, 변이, 선택)에 중점을 두었다.
• 기기의 이질성과 네트워크 비대칭성과 같은 페그 환경의 고유한 제약 조건에 대한 성능, 확장성, 적응 가능성 측면에서 각 접근법의 장점과 한계를 평가하였다.
• GA 구현에서 반복되는 패턴을 규명하여, NSGA-II와 표준 가중치 기반 GA가 지배적이라는 점을 확인하였고, 다중 인구 및 분산 GA와 같은 미활용된 접근법을 강조하였다.
• 연구 결과를 종합하여 향후 연구 방향을 도출하였으며, 특히 페그 인프라 특성에 더 잘 부합하는 고도화된 GA 설계의 필요성을 강조하였다.

실험 결과

연구 질문

• RQ1 GA 기반 페그 컴퓨팅 연구에서 지배적인 최적화 범위는 무엇이며, 시간이 지남에 따라 어떻게 변화해 왔는가?
• RQ2 페그 환경에서 GA는 어떻게 설계되고 구현되며, 실제로 널리 사용되는 주요 변종(예: NSGA-II, 단일 목표 GA)은 무엇인가?
• RQ3 스케일러비리티, 이질성, 실시간 제약 조건 측면에서 현재 GA 기반 접근법의 주요 한계와 과제는 무엇인가?
• RQ4 growing 수요에도 불구하고 여전히 미충분한 연구가 이루어진 페그 컴퓨팅의 최적화 분야는 무엇이며, 향후 연구에 대한 기회가 있는가?
• RQ5 미래의 GA 설계는 어떻게 향상시켜 페그 인프라의 분산성, 이질성, 동적 특성을 더 잘 반영할 수 있는가?

주요 결과

• 가장 자주 연구된 최적화 범위는 서비스 배치(20.0%), 워크플로우 스케줄링(18.6%), 서비스 오케스트레이션(15.0%)이며, 서비스 관리에 대한 강한 연구 집중을 나타낸다.
• NSGA-II와 표준 가중치 기반 GA가 가장 널리 사용된 GA 변종으로, 각각 22.9%와 20.0%의 논문에서 사용되어, 다른 GA 설계의 탐색이 제한되어 있음을 시사한다.
• 조사된 논문 중 단 6.7%만이 데이터 관리를 다루어, 페그 환경에서 증가하는 데이터의 양을 감안할 때 중요한 연구 격차를 드러낸다.
• 서비스 마이그레이션은 이동성 및 사용자 중심 애플리케이션에서 중요함에도 불구하고, 논문의 4.3%만이 이를 다루어 연구가 부족한 상태이다.
• 병렬 및 분산 GA 접근법은 여전히 미발전 상태이며, 병렬 GA를 제안한 연구는 단 3건 뿐이며, 다중 인구나 세분화된 분포 전략에 초점을 맞춘 연구는 없었다.
• 하이브리드 및 적응형 GA 설계는 거의 탐색되지 않아, 복잡한 페그 환경에서 성능 향상과 수렴 속도 향상을 위한 큰 기회가 존재한다.