[논문 리뷰] Scheduling IoT Applications in Edge and Fog Computing Environments: A Taxonomy and Future Directions

Mohammad Ali Goudarzi, Marimuthu Palaniswami외 1명|arXiv (Cornell University)|2022. 04. 26.

IoT and Edge/Fog Computing인용 수 6

한 줄 요약

이 논문은 페그 및 엣지 컴퓨팅 환경에서 IoT 애플리케이션을 스케줄링하기 위한 종합적인 분류 체계를 제안하며, 애플리케이션 구조, 환경 아키텍처, 최적화 특성, 의사결정 엔진, 성능 평가 차원에서 기존 접근법을 분류한다. 연구 격차를 규명하고 향후 방향으로 하이브리드 스케줄링, 머신러닝 통합, 열관리, 프라이버시 인식 시스템을 포함하여 동적 IoT 워크로드에서의 확장성, 적응성, 효율성을 향상시키는 것을 제안한다.

ABSTRACT

Fog computing, as a distributed paradigm, offers cloud-like services at the edge of the network with low latency and high-access bandwidth to support a diverse range of IoT application scenarios. To fully utilize the potential of this computing paradigm, scalable, adaptive, and accurate scheduling mechanisms and algorithms are required to efficiently capture the dynamics and requirements of users, IoT applications, environmental properties, and optimization targets. This paper presents a taxonomy of recent literature on scheduling IoT applications in Fog computing. Based on our new classification schemes, current works in the literature are analyzed, research gaps of each category are identified, and respective future directions are described.

연구 동기 및 목표

• 분산된 페그 및 엣지 환경에서 지연 민감하고 데이터 집약적인 IoT 애플리케이션을 효율적으로 스케줄링하는 데 증가하는 도전 과제를 해결한다.
• 응용 프로그램 구조, 환경 아키텍처, 최적화 목표 등의 핵심 차원을 기반으로 페그 컴퓨팅에서의 기존 스케줄링 접근법을 체계적으로 분류한다.
• 의사결정 엔진 설계, 성능 평가, 계층 간 최적화 측면에서 현재 문헌의 주요 연구 격차를 규명한다.
• 실제 IoT 구현에서의 확장성, 적응성, 에너지 효율성을 향상시키기 위한 향후 연구 방향을 제안한다.
• 동적이고 자원이 제한된 환경에서 작동하는 자원 관리 프레임워크에 머신러닝 및 프라이버시 보호 기법을 통합한다.

제안 방법

• 응용 프로그램 구조, 환경 아키텍처, 최적화 특성, 의사결정 엔진 성질, 성능 평가의 다섯 가지 핵심 시각을 포함하는 다차원 분류 체계를 개발한다.
• 이러한 차원을 기반으로 기존 스케줄링 연구를 분류하여 현재 연구의 구조적 및 기능적 격차를 드러낸다.
• 다양한 응용 프로그램 요구사항(예: 지연 시간 대 비용)을 처리하기 위해 여러 배치 기법을 조합한 하이브리드 스케줄링 의사결정 엔진을 도입한다.
• 적응성과 수렴 성능 향상을 위해 의사결정 엔진에 머신러닝 기법—특히 딥 강화 학습—을 통합하는 것을 제안한다.
• 분산된 학습 기반 스케줄링에서 에이전트 경험을 공유하기 위한 프라이버시 인식 메커니즘을 설계하여 데이터 泄露를 최소화하면서도 성능을 유지한다.
• 자원이 제한된 페그 서버에서 하드웨어 고장을 방지하기 위해 열역학적 특성과 냉각 제약 조건을 최적화 매개변수로 통합한다.

실험 결과

연구 질문

• RQ1 페그 환경에서 다양한 동적 요구사항을 가진 이질적인 IoT 애플리케이션을 효과적으로 처리할 수 있도록 스케줄링 메커니즘을 어떻게 설계할 수 있는가?
• RQ2 응용 프로그램 구조, 환경 아키텍처, 최적화 목표 측면에서 현재 스케줄링 접근법의 주요 제한 사항과 연구 격차는 무엇인가?
• RQ3 머신러닝 기법을 활용해 분산된 페그 시스템에서의 의사결정 엔진의 적응성과 확장성을 어떻게 향상시킬 수 있는가?
• RQ4 고부하 상황에서 페그 컴퓨팅 노드의 신뢰성과 수명 연장에 열관리가 어떤 역할을 할 수 있는가?
• RQ5 데이터 기반 분산 스케줄링 프레임워크에 프라이버시 보호 메커니즘을 통합할 경우, 수렴성이나 성능을 훼손하지 않으면서 어떻게 실현할 수 있는가?

주요 결과

• 딥 강화 학습과 같은 경험 공유 기반 분산 스케줄링 프레임워크에 프라이버시 인식 메커니즘이 통합되지 않은 뚜렷한 연구 격차가 존재한다.
• 현재 스케줄링 접근법은 페그 서버의 열역학적 특성을 고려하지 않아 지속적인 부하 상황에서 하드웨어 열화의 위험이 있다.
• 저지연 시간과 고정밀도를 동시에 요구하는 다양한 IoT 워크로드를 지원하기 위해 여러 배치 전략을 조합한 하이브리드 스케줄링 엔진이 필수적이다.
• 자원이 제한된 페그 서버에 배포하기 위해 설계된 자원 관리용 머신러닝 모델은 종종 사후 양자화 과정에서 어려움을 겪어 최적화되지 않은 경우가 많다.
• IoT 디바이스와 자원 제공자 입장에서의 실행 비용 간의 트레이드오프는 아직 충분히 탐색되지 않았으며, 총 에너지 소비나 탄소 배출량을 공동 최적화할 기회가 있다.
• 기존 성능 평가 프레임워크는 표준화가 부족하여 연구 간 비교가 어려우며, 페그 스케줄링 연구의 재현 가능성을 제한한다.