[論文レビュー] Predictive Replica Placement for Mobile Users in Distributed Fog Data Stores with Client-Side Markov Models

Malte Bellmann, Tobias Pfandzelter+1 more|arXiv (Cornell University)|Nov 5, 2021

IoT and Edge/Fog Computing参考文献 37被引用数 4

ひとこと要約

本稿では、分散型フォグデータストアにおける予測的レプリカ配置のためのクライアント側マルコフモデルを提案し、予測されたクライアント移動およびアプリケーション起動行動に基づいてプロアクティブにデータレプリケーションを実行することを可能にする。反応型またはグローバルレプリケーション戦略と比較して、最小限のストレージおよび通信オーバーヘッドで、最も近いフォグノードにおけるデータ可用性を35%向上する。

ABSTRACT

Mobile clients that consume and produce data are abundant in fog environments and low latency access to this data can only be achieved by storing it in their close physical proximity. To adapt data replication in fog data stores in an efficient manner and make client data available at the fog node that is closest to the client, the systems need to predict both client movement and pauses in data consumption. In this paper, we present variations of Markov model algorithms that can run on clients to increase the data availability while minimizing excess data. In a simulation, we find the availability of data at the closest node can be improved by 35% without incurring the storage and communication overheads of global replication.

研究の動機と目的

• モバイルクライアントのフォグ環境における低レイテンシのデータアクセスを維持する挑戦に応えるために、データが必要になる前に事前にレプリケーションを行うこと。
• グローバルまたは反応型レプリケーション戦略と比較して、ストレージおよび通信オーバーヘッドを低減すること。
• クライアントが次のアクセスノードおよびアプリケーション使用の停止期間（一時停止）を予測し、データ配置を最適化できること。
• リソース制限のあるクライントデバイスに適した軽量でスケーラブルなアルゴリズムを設計すること。
• 実世界の移動トレースおよびシミュレーテッドフォグネットワークを用いて、アプローチを評価すること。

提案手法

• クライアント側マルコフ連鎖が、歴史的アクセスパターンに基づいてフォグノード間の遷移をモデル化し、モバイルクライアントが次に接続する可能性のあるノードを予測する。
• 融合マルチオーダーマルコフモデル（FOMM）は、時間に依存する遷移確率を統合することで、時間的ダイナミクスを考慮し、予測精度を向上させる。
• 2つの新規な起動予測アルゴリズムが、短い一時停止を検出し、データを最後にアクティブだったノードに事前に保持することで、再開時に可用性を確保する。
• システムは1ユーザーあたり1つのクライアント固有モデルを使用し、中央集権的なモデルと比較してプライバシーおよびスケーラビリティが向上する。
• シミュレーションフレームワークは、実世界のGeoLife移動トレースと、北京における合成生成されたフォグノードトポロジーを用いて性能を評価する。
• アプローチは、耐久性のためのプライマリレプリカ（例：クラウドに存在）が存在すると仮定しており、レプリカは予測された次ノードにプロアクティブに移動する。

実験結果

リサーチクエスチョン

• RQ1 モバイルクライアントはフォグネットワークにおいて、次にアクセスするポイントをどのように予測し、プロアクティブなデータレプリケーションを可能にするか？
• RQ2 クライアントはアプリケーション使用の短い一時停止をどのように予測し、過剰なレプリケーションを避けてもデータ可用性を維持するか？
• RQ3 クライアント側マルコフモデルを用いる場合、データ可用性とレプリケーションオーバーヘッドのトレードオフはどのようなものか？
• RQ4 レイテンシおよびリソース効率の観点から、予測的レプリカ配置は反応型またはグローバルレプリケーションと比較してどのように異なるか？
• RQ5 軽量なクライアント側モデルは、実世界の移動パターンに対して十分な正確性を達成できるか？

主な発見

• 提案手法により、最も近いフォグノードにおけるデータ可用性は、反応型の55.67%から予測型の75.22%に向上し、相対的に35%の改善が達成された。
• 完全なグローバルレプリケーションと比較してストレージおよび通信オーバーヘッドを低減した一方で、反応型配置を上回る性能を示した。
• 融合マルチオーダーマルコフモデル（FOMM）は、クライアント移動の時間的パターンを効果的に捉え、予測精度を向上させた。
• 起動予測アルゴリズムは、短い一時停止中のデータ可用性を効果的に維持したが、ユーザー行動パターンが曖昧な長期の一時停止には限定的な利点しか示さなかった。
• クライアント側モデル設計により、スケーラビリティとプライバシーが実現され、モバイルデバイスにおけるリソースオーバーヘッドは最小限に抑えられた。
• シミュレーションフレームワークは、実世界の移動トレースを合成フォグ環境で予測的レプリケーション戦略を評価するために効果的に使用できることを示した。