[论文解读] Dynamic Service Migration in Mobile Edge-Clouds

Shiqiang Wang, Rahul Urgaonkar+4 more|arXiv (Cornell University)|Jun 17, 2015

Age of Information Optimization被引用 34

一句话总结

本文将移动边缘云中的动态服务迁移问题建模为马尔可夫决策过程（MDP），以在用户移动性不确定的情况下最小化延迟和网络成本。通过使用用户与服务之间的距离来近似状态空间，实现了近似最优迁移策略的高效计算，并利用旧金山出租车的真实移动轨迹数据进行了仿真验证。

ABSTRACT

We study the dynamic service migration problem in mobile edge-clouds that host cloud-based services at the network edge. This offers the benefits of reduction in network overhead and latency but requires service migrations as user locations change over time. It is challenging to make these decisions in an optimal manner because of the uncertainty in node mobility as well as possible non-linearity of the migration and transmission costs. In this paper, we formulate a sequential decision making problem for service migration using the framework of Markov Decision Process (MDP). Our formulation captures general cost models and provides a mathematical framework to design optimal service migration policies. In order to overcome the complexity associated with computing the optimal policy, we approximate the underlying state space by the distance between the user and service locations. We show that the resulting MDP is exact for uniform one-dimensional mobility while it provides a close approximation for uniform two-dimensional mobility with a constant additive error term. We also propose a new algorithm and a numerical technique for computing the optimal solution which is significantly faster in computation than traditional methods based on value or policy iteration. We illustrate the effectiveness of our approach by simulation using real-world mobility traces of taxis in San Francisco.

研究动机与目标

• 解决用户移动性导致网络条件动态变化时，移动边缘云中最佳服务迁移的挑战。
• 在用户移动不确定性和非线性成本条件下，将服务迁移建模为序列决策问题。
• 通过使用用户与服务位置之间的距离近似状态空间，降低基于MDP策略的计算复杂度。
• 开发一种快速数值算法，用于计算最优迁移策略，其性能优于传统的值迭代或策略迭代方法。
• 使用旧金山出租车的真实移动轨迹数据对方法进行评估，证明其在实际应用中的有效性。

提出的方法

• 将服务迁移建模为马尔可夫决策过程（MDP），以模拟用户移动性和成本函数的动态与不确定性。
• 仅使用用户与服务位置之间的距离来近似完整状态空间，该方法在一维均匀移动情况下为精确解，在二维情况下具有有界误差的近似解。
• 提出一种新颖的数值技术，以显著快于传统值迭代或策略迭代方法的速度计算最优策略。
• 采用一种可推广的代价模型，涵盖传输和迁移成本，支持非线性特性。
• 利用旧金山出租车的真实移动轨迹数据验证方法，以模拟真实的用户移动模式。

实验结果

研究问题

• RQ1 在用户移动性不确定且动态变化的移动边缘云环境中，如何优化服务迁移决策？
• RQ2 使用用户与服务距离进行状态空间近似，对迁移策略的准确性和性能有何影响？
• RQ3 能否开发一种比传统MDP求解器更快的数值方法，以计算最优迁移策略？
• RQ4 在真实世界移动模式（如城市出租车移动）下，所提出的方法表现如何？

主要发现

• 基于距离的状态近似在一维均匀移动情况下可得到精确解，在二维均匀移动情况下具有恒定的加法误差近似。
• 所提出的数值算法在计算最优策略方面显著快于传统的值迭代或策略迭代方法。
• 使用真实出租车移动轨迹的仿真结果表明，该方法能有效降低动态边缘云环境中的延迟和网络开销。
• 该框架成功支持通用成本模型，包括非线性迁移和传输成本，具备更广泛的应用潜力。