[论文解读] EDOS: Edge Assisted Offloading System for Mobile Devices

Hank H. Harvey, Ying Mao+2 more|arXiv (Cornell University)|May 22, 2017

IoT and Edge/Fog Computing参考文献 14被引用 12

一句话总结

EDOS 是一种混合边缘辅助卸载系统，通过边缘助手（EA）和卸载代理（OA）动态发现并分配计算任务至云服务器、附近的设备以及自组织网络。与本地执行相比，它将作业完成时间减少了高达 89%，并通过在用户指定约束下的智能任务分配实现显著的性能提升。

ABSTRACT

Offloading resource-intensive jobs to the cloud and nearby users is a promising approach to enhance mobile devices. This paper investigates a hybrid offloading system that takes both infrastructure-based networks and Ad-hoc networks into the scope. Specifically, we propose EDOS, an edge assisted offloading system that consists of two major components, an Edge Assistant (EA) and Offload Agent (OA). EA runs on the routers/towers to manage registered remote cloud servers and local service providers and OA operates on the users' devices to discover the services in proximity. We present the system with a suite of protocols to collect the potential service providers and algorithms to allocate tasks according to user-specified constraints. To evaluate EDOS, we prototype it on commercial mobile devices and evaluate it with both experiments on a small-scale testbed and simulations. The results show that EDOS is effective and efficient for offloading jobs.

研究动机与目标

• 解决移动设备因 CPU、内存和电池寿命受限而难以处理计算密集型任务的局限性。
• 设计一种混合卸载系统，利用基于基础设施的网络（如云）和自组织网络（如附近设备）进行服务发现。
• 通过基于用户定义约束的智能任务分配，将拆分任务分配给最优服务提供者，以最小化作业完成时间。
• 通过小规模测试平台和大规模仿真，在真实环境中评估系统的有效性。

提出的方法

• 系统在路由器或基站上部署边缘助手（EA），用于管理并注册远程云服务器和本地服务提供者。
• 卸载代理（OA）运行在用户设备上，通过自组织网络发现附近服务并协调卸载。
• 一套协议支持在异构网络（包括基础设施网络和对等发现）之间的服务发现。
• 使用算法对任务进行拆分和分配，综合考虑执行成本、传输延迟和用户指定约束，以最小化完成时间。
• 系统将作业卸载建模为约束优化问题，其中参数如计算延迟 $D_j^c$、传输延迟 $D_j^t$ 和预算 $C_{j,B}$ 均来自实验测量。
• 仿真采用静态模型，固定任务成本和均匀通信延迟，以评估在 10 个云设备和 30 个移动设备下的可扩展性。

实验结果

研究问题

• RQ1 如何通过整合基于基础设施的网络和自组织网络来增强移动卸载？
• RQ2 在异构服务提供者之间动态分配任务对作业完成时间有何影响？
• RQ3 在真实和仿真环境中，系统在不同工作负载和网络条件下的表现如何？
• RQ4 与随机或贪心分配策略相比，系统是否能实现显著的性能提升？

主要发现

• 在测试平台中，EDOS 将图像拼接的完成时间从 1592ms（Nexus 7）降低至 149ms（双用户场景），实现了 90.8% 的减少。
• 在位置 5、第 4 层，EDOS 完成拼接仅用 149ms，而 iPhone 6 为 1152ms，Nexus 7 为 1592ms，相比性能最佳的本地设备提升了 87%。
• 仿真结果表明，EDOS 在第 4 层和第 5 层均优于随机和最低成本分配策略，尤其在高复杂度工作负载（338 个任务）下性能提升最大。
• EDOS 的性能增益在任务数量较多时（第 4 层和第 5 层）最为显著，相比本地执行，完成时间最多减少 89%。
• 系统在大规模仿真中表现出稳定性和高效性，避免了随机分配策略的不稳定性以及最低成本分配策略的延迟瓶颈。
• EDOS 通过基于综合成本和延迟指标的智能选择机制，有效平衡负载并最小化端到端延迟，始终优于基线策略。