[论文解读] A Review of Resource Management in Fog Computing: Machine Learning Perspective

Muhammad Fahimullah, Shohreh Ahvar+1 more|arXiv (Cornell University)|Sep 7, 2022

IoT and Edge/Fog Computing被引用 7

一句话总结

本文综述了雾计算中基于机器学习（ML）的资源管理，将其分类为六个关键领域：资源供给、部署、调度、分配、卸载和负载均衡。文章评估了各类ML技术（尤其是强化学习）在性能指标、iFogSim等工具以及数据集上的表现，揭示出研究高度依赖合成数据和集中式学习，对移动性和碳排放的关注有限。

ABSTRACT

Fog computing becomes a promising technology to process user's requests near the proximity of users to reduce response time for latency-sensitive requests. Despite its advantages, the properties such as resource heterogeneity and limitations, and its dynamic and unpredictable nature greatly reduce the efficiency of fog computing. Therefore, predicting the dynamic behavior of the fog and managing resources accordingly is of utmost importance. In this work, we provide a review of machine learning-based predictive resource management approaches in a fog environment. Resource management is classified into six sub-areas: resource provisioning, application placement, scheduling, resource allocation, task offloading, and load balancing. Reviewed resource management approaches are analyzed based on the objective metrics, tools, datasets, and utilized techniques.

研究动机与目标

• 将雾计算中基于机器学习的资源管理（RM）方法系统性地划分为六个核心子领域。
• 识别并分析RM研究中最常使用的机器学习技术、仿真工具和数据集。
• 评估RM研究中优先考虑的性能指标，包括成本、延迟、能耗和可靠性。
• 指出当前研究中的空白，如缺乏对移动性感知设计和碳排放考量的关注。
• 通过识别去中心化学习和非功能性需求等未充分探索的领域，为未来研究奠定基础。

提出的方法

• 本文开展系统性文献综述，聚焦于雾计算中基于机器学习的资源管理，分析了近年来65项以上研究。
• 将资源管理划分为六个子领域：资源供给、应用部署、调度、资源分配、任务卸载和负载均衡。
• 基于客观指标、机器学习技术（如强化学习、Q-learning、DQN）、仿真工具（如iFogSim、Python、Java）和数据源，评估每个RM子领域的表现。
• 性能指标分为提供方视角（如成本、能耗、SLA合规性）和用户方视角（如延迟、响应时间）两类。
• 分析包括对合成数据与真实世界数据集的对比评估，如GWA-T-12、Google Cluster Trace、MHEALTH和T-Drive。
• 识别出机器学习技术采用趋势，特别是强化学习在缺乏实时需求数据假设下的主导地位。

实验结果

研究问题

• RQ1 雾计算中的资源管理如何被划分为不同的子领域？
• RQ2 在雾资源管理中，最常使用的机器学习技术是什么？它们在不同RM维度中的表现如何？
• RQ3 基于机器学习的RM方法中优先考虑的性能指标有哪些？它们在提供方与用户方视角之间有何差异？
• RQ4 用于评估雾RM中机器学习模型的数据集类型（合成或真实世界）有哪些？它们如何影响模型的泛化能力？
• RQ5 最广泛使用的仿真工具是什么？工具选择与数据类型及研究目标之间有何关联？

主要发现

• 强化学习（RL）是雾资源管理中最广泛使用的机器学习技术，尤其在缺乏或仅有有限实时需求数据的假设下。
• iFogSim仿真器是评估基于机器学习的RM解决方案中最常用的工具，特别是在使用合成数据时。
• 大多数研究依赖合成数据，因为缺乏真实世界的需求轨迹，尽管少数研究使用了真实数据集如Google Cluster Trace和MHEALTH。
• 最常被优化的性能指标是成本、延迟和能耗，尤其在调度和卸载中对能耗最小化的关注尤为强烈。
• 尽管对可持续雾计算至关重要，碳排放作为性能目标在当前基于机器学习的RM研究中基本被忽视。
• 去中心化学习技术（如基于上下文多臂赌博机的方法）使用不足，大多数方法仍依赖集中式学习框架。