[논문 리뷰] MAPO: A Multi-Objective Model for IoT Application Placement in a Fog Environment

Narges Mehran, Dragi Kimovski외 1명|arXiv (Cornell University)|2019. 08. 03.

IoT and Edge/Fog Computing참고 문헌 10인용 수 5

한 줄 요약

MAPO는 유전 알고리즘을 사용하여 완료 시간, 에너지 소비 및 경제적 비용을 균형 잡는 피그 페브리케이션 환경에서 IoT 애플리케이션 배치를 위한 다목적 최적화 프레임워크이다. 최신 기술 대비 완료 시간을 최대 7.3배 감소시키고, 에너지 소비를 최대 68% 감소시키며, 비용을 최대 27% 절감한다.

ABSTRACT

The emergence of the Fog computing paradigm that leverages in-network virtualized resources raises important challenges in terms of resource and IoT application management in a heterogeneous environment offering only limited computing resources. In this work, we propose a novel Pareto-based approach for application placement close to the data sources called Multiobjective IoT application Placement in fOg (MAPO). MAPO models applications based on a finite state machine and uses three conflicting optimization objectives, namely completion time, energy consumption, and economic cost, considering both the computation and communication aspects. In contrast to existing solutions that optimize a single objective value, MAPO enables multi-objective energy and cost-aware application placement. To evaluate the quality of the MAPO placements, we created both simulated and real-world testbeds tailored for a set of medical IoT application case studies. Compared to the state-of-the-art approaches, MAPO reduces the economic cost by up to 27%, while decreasing the energy requirements by 23-68%, and optimizes the completion time by up to 7.3 times.

연구 동기 및 목표

• 자원 제약이 있는 피그 환경에서 지연 민감도가 높은 IoT 애플리케이션의 효율적이고 에너지 및 비용 인식 기반의 배치 문제를 해결하기 위해.
• 기존 IoT 애플리케이션 배치 솔루션에서 단일 목표 또는 가중합계 접근 방식의 한계를 극복하기 위해.
• 세밀한 최적화를 위해 경량이고 상호 연결된 구성 요소로 구성된 유한 상태 기계로 IoT 애플리케이션을 모델링하기 위해.
• 완료 시간, 에너지 소비 및 경제적 비용이라는 상충되는 세 가지 목표 간의 파레토 최적 트레이드오프를 가능하게 하기 위해.
• 의료 IoT 애플리케이션 워크로드를 사용하여 시뮬레이션 및 실제 환경 테스트베드를 통해 접근 방식을 검증하기 위해.

제안 방법

• 기능 워크플로우를 표현하기 위해 상호 연결된 구성 요소를 갖춘 유한 상태 기계로 IoT 애플리케이션을 모델링하기 위해.
• 완료 시간(마이크스팬), 에너지 소비 및 경제적 비용이라는 세 가지 목표를 포함하는 다목적 최적화 문제를 수립하기 위해.
• 피그 장치 간 최적의 배치에 대한 파레토 최적 해의 근사치를 도출하기 위해 비지배적 정렬 유전 알고리즘(NSGA-II)을 적용하기 위해.
• 통신 지연 및 데이터 전송 비용을 최적화 모델에 통합하여 계산 및 네트워크 오버헤드를 모두 고려하기 위해.
• 애플리케이션 특성에 맞는 요구 사항을 바탕으로 파레토 집합에서 단일 해를 선택하기 위한 의사결정 전략을 구현하기 위해.
• 컨테이너화된 구성 요소를 피그 및 클라우드 장치에 배포하고 제어된 워크로드와 데이터 크기를 사용하여 실제 테스트베드에서 프레임워크를 구현하고 평가하기 위해.

실험 결과

연구 질문

• RQ1 MAPO는 피그 환경에서 기존의 단일 목표 또는 가중 목표 접근 방식에 비해 애플리케이션 완료 시간을 얼마나 줄이는가?
• RQ2 의료 IoT 애플리케이션의 경우 MAPO는 지연을 유지하면서 에너지 소비와 경제적 비용을 얼마나 줄일 수 있는가?
• RQ3 실제 구현 환경에서 통신 데이터 크기와 CPU 워크로드는 MAPO의 성능에 FSPP 및 EW와 비교해 어떤 영향을 미치는가?
• RQ4 다양한 IoT 애플리케이션 워크로드에서 MAPO는 완료 시간, 에너지 효율성 및 비용 간에 어떤 트레이드오프를 달성하는가?
• RQ5 MAPO의 다목적 특성은 클라우드 기반 또는 거친 수준의 전략에 비해 배치 결정에 어떤 영향을 미치는가?

주요 결과

• 시뮬레이션에서는 최신 기술인 EW 방법 대비 MAPO가 애플리케이션 완료 시간을 최대 7.3배 감소시키고, 실제 테스트에서는 최대 6.9배 감소시켰다.
• 실제 실험에서 FSPP 대비 에너지 소비를 최대 68% 감소시키며, EW 대비 35% 감소시켰다. 특히 고 CPU 워크로드 하에서 두드러진 성능을 보였다.
• EW 대비 경제적 비용을 최대 27% 절감했으며, 클라우드 사용을 우선시하는 FSPP보다는 20% 더 비싸게 유지되었다.
• 통신 지연은 데이터 크기 자체보다 완료 시간에 더 큰 영향을 미치며, 데이터 전송 경로 최적화의 중요성을 강조한다.
• 고 CPU 워크로드 하에서 MAPO는 FSPP 대비 66% 높은 에너지 효율성을 보였고, EW 대비 54% 낮은 효율성을 보였다. 이는 균형 잡힌 트레이드오프 전략을 잘 달성하고 있음을 시사한다.
• 파레토 기반 접근 방식은 세 가지 목표 모두에 동시에 일관된 개선을 가능하게 하여, 다차원 최적화에서 단일 목표 방법보다 뛰어난 성능을 보였다.