[论文解读] QoS-aware Dynamic Fog Service Provisioning

Ashkan Yousefpour, Ashish Patil+7 more|arXiv (Cornell University)|Feb 2, 2018

IoT and Edge/Fog Computing参考文献 16被引用 36

一句话总结

FogPlan 提出了一种轻量级、QoS 友好的动态雾服务部署框架，通过优化服务在雾节点间的部署，以最小化成本和延迟。该框架采用两种贪心算法——Min-Cost 和 Min-Viol，实现了接近最优的性能，同时运行时间极低，在大规模网络中显著降低了服务延迟和违反情况，且具有良好的可扩展性。

ABSTRACT

Recent advances in the areas of Internet of Things (IoT), Big Data, and Machine Learning have contributed to the rise of a growing number of complex applications. These applications will be data-intensive, delay-sensitive, and real-time as smart devices prevail more in our daily life. Ensuring Quality of Service (QoS) for delay-sensitive applications is a must, and fog computing is seen as one of the primary enablers for satisfying such tight QoS requirements, as it puts compute, storage, and networking resources closer to the user. In this paper, we first introduce FogPlan, a framework for QoS-aware Dynamic Fog Service Provisioning (QDFSP). QDFSP concerns the dynamic deployment of application services on fog nodes, or the release of application services that have previously been deployed on fog nodes, in order to meet low latency and QoS requirements of applications while minimizing cost. FogPlan framework is practical and operates with no assumptions and minimal information about IoT nodes. Next, we present a possible formulation (as an optimization problem) and two efficient greedy algorithms for addressing the QDFSP at one instance of time. Finally, the FogPlan framework is evaluated using a simulation based on real-world traffic traces.

研究动机与目标

• 为应对突发性、时空变化的物联网工作负载所导致的动态雾服务部署挑战。
• 在满足严格 QoS 要求（包括低延迟和高可用性）的前提下，最小化资源成本。
• 设计一种实用框架，其假设条件最少，对物联网节点的信息了解有限。
• 评估在动态服务部署中性能、运行时间和重配置频率之间的权衡。

提出的方法

• 将 QoS 友好的动态雾服务部署（QDFSP）问题建模为整数非线性规划（INLP）优化问题。
• 提出两种基于贪心策略的算法——Min-Cost（基于成本最小化）和 Min-Viol（基于 QoS 违规减少），分别优化成本与服务质量违规。
• 使用基于 DTMC 的流量生成器和真实世界流量轨迹，模拟动态、突发性的物联网工作负载。
• 采用可配置周期的重配置机制，以在响应速度与运行成本之间取得平衡。
• 应用二值决策变量对服务在雾节点上的部署/释放进行建模，支持服务部署的动态扩展。
• 提出一种轻量级框架，避免复杂建模，仅依赖最少的系统状态信息运行。

实验结果

研究问题

• RQ1 如何在突发性物联网工作负载下，动态地部署雾服务以满足低延迟和 QoS 要求？
• RQ2 在动态雾服务部署中，最小化成本与最小化 QoS 违规之间的权衡关系如何？
• RQ3 贪心算法在性能和运行时间可扩展性方面与最优解相比如何？
• RQ4 重配置间隔长度对服务部署效率和响应能力有何影响？
• RQ5 轻量级框架是否能在系统信息极少且计算开销低的前提下，实现接近最优的性能？

主要发现

• Min-Cost 的运行时间快于 Min-Viol，其执行时间在 100 至 10,000 个服务下为 8ms 至 3s，原因在于其基于成本的循环条件与 QoS 阈值无关。
• Min-Viol 在减少平均服务延迟和延迟违规方面优于 Min-Cost，尤其在严格 QoS 要求下（如 99.9% 可用性）表现更优。
• Min-Viol 的优越 QoS 表现以更长的运行时间为代价，其循环结构依赖于 QoS，导致在 10,000 个服务下最长运行时间达 1 分 58 秒。
• 该框架具有良好的可扩展性：在 10,000 个雾节点和 100 个服务的场景下，Min-Cost 耗时 3.2 秒，Min-Viol 耗时 118.992 秒，证明了其实际可行性。
• 通过 INLP 求解的最优解在大规模网络中计算成本过高，Min-Viol 完整部署最多需 3 小时，凸显了高效启发式算法的必要性。
• 研究识别出当重配置间隔过短时，存在‘急躁式部署’的风险，建议采用更长的间隔或引入流量预测以稳定决策。