[论文解读] An Online Framework for Ephemeral Edge Computing in the Internet of Things

Gilsoo Lee, Walid Saad+1 more|arXiv (Cornell University)|Apr 18, 2020

IoT and Edge/Fog Computing被引用 4

一句话总结

本文提出了一种物联网中瞬态边缘计算的在线框架，其中移动边缘节点能够基于当前信息实时动态地将任务卸载给邻近节点，且对未来任务到达情况未知。通过使用原始-对偶在线贪心算法，该框架联合优化了通信与计算延迟，在保证竞争比的同时，实现了接近最优的任务分配，与离线最优解相比，最优性差距不超过7.1%。

ABSTRACT

In the Internet of Things (IoT) environment, edge computing can be initiated at anytime and anywhere. However, in an IoT, edge computing sessions are often ephemeral, i.e., they last for a short period of time and can often be discontinued once the current application usage is completed or the edge devices leave the system due to factors such as mobility. Therefore, in this paper, the problem of ephemeral edge computing in an IoT is studied by considering scenarios in which edge computing operates within a limited time period. To this end, a novel online framework is proposed in which a source edge node offloads its computing tasks from sensors within an area to neighboring edge nodes for distributed task computing, within the limited period of time of an ephemeral edge computing system. The online nature of the framework allows the edge nodes to optimize their task allocation and decide on which neighbors to use for task processing, even when the tasks are revealed to the source edge node in an online manner, and the information on future task arrivals is unknown. The proposed framework essentially maximizes the number of computed tasks by jointly considering the communication and computation latency. To solve the problem, an online greedy algorithm is proposed and solved by using the primal-dual approach. Since the primal problem provides an upper bound of the original dual problem, the competitive ratio of the online approach is analytically derived as a function of the task sizes and the data rates of the edge nodes. Simulation results show that the proposed online algorithm can achieve a near-optimal task allocation with an optimality gap that is no higher than 7.1% compared to the offline, optimal solution with complete knowledge of all tasks.

研究动机与目标

• 解决移动物联网环境中瞬态、短暂的边缘计算会话所面临的挑战，其中任务到达具有不可预测性，且设备频繁离开网络。
• 设计一种无需事先知晓未来任务到达或系统状态的实时在线任务分配框架。
• 通过动态选择最优邻近边缘节点进行任务卸载，联合最小化瞬态边缘计算中的通信与计算延迟。
• 利用原始-对偶方法开发一种具有理论性能保证的竞争性在线算法，确保在时间约束下实现近似最优的任务完成。

提出的方法

• 该框架将任务卸载建模为一个在线优化问题，仅基于当前信息实时将任务分配给邻近边缘节点。
• 设计了一种原始-对偶在线算法，以动态分配任务，同时保持由问题结构导出的竞争比边界。
• 该算法基于任务大小、数据速率和计算容量设计对偶变量更新规则，并通过变量 $ z_j $ 参数化资源使用的上限。
• 竞争比被解析推导为任务大小和边缘节点数据速率的函数，确保在不确定性条件下仍具备性能边界。
• 该方法结合了时间约束的目标函数，以平衡边缘节点上的任务完成率与资源利用率。
• 通过使用对数障碍函数并引入参数 $ c = (1 + \delta)^{1/\delta} $，框架确保了可行性，即对每个边缘节点的总任务负载施加约束。

实验结果

研究问题

• RQ1 当未来任务到达未知时，边缘节点如何高效地实时分配瞬态计算任务？
• RQ2 在瞬态边缘计算环境中，在线任务卸载算法的理论性能极限是什么？
• RQ3 在无未来知识的动态移动物联网环境中，如何联合最小化通信与计算延迟？
• RQ4 该设置下的在线算法的竞争比是多少？它如何依赖于任务大小和数据速率等系统参数？
• RQ5 所提出的在线算法能否与具备所有任务全知信息的离线最优解相比，实现近似最优性能？

主要发现

• 所提出的在线贪心算法与离线最优解相比，最优性差距不超过7.1%，表现出强大的实际性能。
• 在线算法的竞争比被解析推导为任务大小和边缘节点数据速率的函数，提供了理论性能保证。
• 原始-对偶方法确保了算法在动态适应新任务和不断变化的网络条件的同时维持可行性。
• 仿真结果证实，该算法能有效平衡边缘节点间的负载，并在瞬态时间窗口内最大化完成的任务数量。
• 该框架通过支持实时、去中心化的任务卸载决策，成功应对了移动物联网环境的动态特性，且延迟极低。
• 采用参数化对偶变量更新机制，并结合 $ c = (1 + \delta)^{1/\delta} $，确保了资源使用量的有界增长，并实现了紧密的性能边界。