[论文解读] A Market-Based Framework for Multi-Resource Allocation in Fog Computing

Duong Tung Nguyen, Long Bao Le+1 more|arXiv (Cornell University)|Jul 25, 2018

IoT and Edge/Fog Computing参考文献 48被引用 4

一句话总结

本文提出了一种基于市场的多资源分配框架，用于雾计算环境，将服务建模为预算受限的买家，将雾资源视为可分割的商品，以实现公平且高效的市场均衡（ME）。该框架通过凸优化公式和一种保护隐私的分布式算法，确保分配不浪费、节俭且公平，同时在不牺牲准确性的前提下保护敏感数据。

ABSTRACT

Fog computing is transforming the network edge into an intelligent platform by bringing storage, computing, control, and networking functions closer to end-users, things, and sensors. How to allocate multiple resource types (e.g., CPU, memory, bandwidth) of capacity-limited heterogeneous fog nodes to competing services with diverse requirements and preferences in a fair and efficient manner is a challenging task. To this end, we propose a novel market-based resource allocation framework in which the services act as buyers and fog resources act as divisible goods in the market. The proposed framework aims to compute a market equilibrium (ME) solution at which every service obtains its favorite resource bundle under the budget constraint while the system achieves high resource utilization. This work extends the General Equilibrium literature by considering a practical case of satiated utility functions. Also, we introduce the notions of non-wastefulness and frugality for equilibrium selection, and rigorously demonstrate that all the non-wasteful and frugal ME are the optimal solutions to a convex program. Furthermore, the proposed equilibrium is shown to possess salient fairness properties including envy-freeness, sharing-incentive, and proportionality. Another major contribution of this work is to develop a privacy-preserving distributed algorithm, which is of independent interest, for computing an ME while allowing market participants to obfuscate their private information. Finally, extensive performance evaluation is conducted to verify our theoretical analyses.

研究动机与目标

• 解决在容量受限、分布式的雾节点之间，为具有不同偏好和优先级的多个竞争服务分配多种异构资源（CPU、内存、带宽）的挑战。
• 设计一种资源分配机制，确保高系统利用率的同时维持公平性和效率，避免福利最大化和最大最小公平性方法的缺陷。
• 开发一种保护隐私的分布式算法，使市场参与者能够在不损害解的准确性前提下隐藏私有信息（如效用函数和预算）。
• 在现实的饱和效用函数下，为市场均衡建立理论保证，包括无 envy（无嫉妒）、共享激励和比例性。
• 将一般均衡理论扩展至包含多个节点、多种资源类型和有限需求约束的实际雾计算环境。

提出的方法

• 将多资源分配问题建模为具有可分割商品的费雪市场，其中服务作为具有固定预算的买家，雾节点则供应多种资源类型。
• 提出一个凸优化程序，其最优解恰好对应于非浪费且节俭的市场均衡，确保公平性和效率。
• 采用基于对偶分解和次梯度方法的分布式并行算法，无需各参与方可披露私有数据即可计算市场均衡。
• 设计一种非密码学的隐私保护机制，在迭代计算过程中混淆私有输入（如效用函数和预算）。
• 使用带有扰动梯度的对偶上升方法，在保持收敛至最优解的同时防止对私有数据的推断。
• 通过大量仿真验证理论结果，表明在各种工作负载下均实现了高资源利用率和公平性。

实验结果

研究问题

• RQ1 市场均衡模型能否有效应用于异构、容量受限的雾计算环境中的多资源分配？
• RQ2 在具有有限服务需求的多资源、多节点雾计算环境中，如何同时实现公平性和效率？
• RQ3 所得到的市场均衡在无嫉妒性、比例性和共享激励性方面具有哪些性质？
• RQ4 能否通过一种分布式算法在保护服务特定数据（如效用函数和预算）隐私的同时计算市场均衡？
• RQ5 与现有方法（如DRF、拍卖机制和福利最大化）相比，所提出的框架在公平性和资源利用率方面表现如何？

主要发现

• 所提出的市场均衡是非浪费且节俭的，确保无资源闲置，且无服务被分配超过其需求量。
• 所有非浪费且节俭的市场均衡均为一个凸程序的最优解，保证全局最优性和收敛性。
• 该均衡展现出强公平性特征：无嫉妒性（无服务偏好其他服务的分配）、满足共享激励性（服务更倾向于加入市场）、并确保比例性（每项服务至少获得其公平份额）。
• 分布式算法在无需披露私有信息的情况下收敛至最优市场均衡，为实际部署提供了实用解决方案。
• 性能评估结果表明，在各种工作负载下均实现了高资源利用率和公平性，优于传统方法（如福利最大化和最大最小公平性）在效率与公平性之间的平衡表现。
• 隐私保护机制为非密码学方法，计算高效，避免了差分隐私的准确率-隐私权衡问题，也规避了同态加密或不经意计算的高成本。