[论文解读] An Online Secretary Framework for Fog Network Formation with Minimal Latency

Gilsoo Lee, Walid Saad+1 more|arXiv (Cornell University)|Feb 18, 2017

IoT and Edge/Fog Computing参考文献 9被引用 9

一句话总结

本文提出了一种在线秘书框架，用于混合雾-云架构中的动态雾网络构建，使雾节点能够在未知未来节点到达的情况下，选择最优的相邻节点进行任务卸载。该框架采用受在线k-秘书问题启发的探索-利用算法，最小化最大计算延迟，并实现接近最优的性能——仅比离线最优解低2.7%——同时有效实现雾节点与云之间的任务分发。

ABSTRACT

Fog computing is seen as a promising approach to perform distributed, low-latency computation for supporting Internet of Things applications. However, due to the unpredictable arrival of available neighboring fog nodes, the dynamic formation of a fog network can be challenging. In essence, a given fog node must smartly select the set of neighboring fog nodes that can provide low-latency computations. In this paper, this problem of fog network formation and task distribution is studied considering a hybrid cloud-fog architecture. The goal of the proposed framework is to minimize the maximum computational latency by enabling a given fog node to form a suitable fog network, under uncertainty on the arrival process of neighboring fog nodes. To solve this problem, a novel approach based on the online secretary framework is proposed. To find the desired set of neighboring fog nodes, an online algorithm is developed to enable a task initiating fog node to decide on which other nodes can be used as part of its fog network, to offload computational tasks, without knowing any prior information on the future arrivals of those other nodes. Simulation results show that the proposed online algorithm can successfully select an optimal set of neighboring fog nodes while achieving a latency that is as small as the one resulting from an ideal, offline scheme that has complete knowledge of the system. The results also show how, using the proposed approach, the computational tasks can be properly distributed between the fog network and a remote cloud server.

研究动机与目标

• 解决在物联网环境中，由于相邻雾节点到达不确定而带来的动态雾网络构建挑战。
• 在无未来节点可用性或性能先验知识的前提下，最小化混合雾-云架构中的最大计算延迟。
• 实现实时、在线的最优雾节点选择，用于任务卸载，且不依赖于系统离线知识。
• 在基于队列的延迟模型下，联合优化本地雾节点与远程云服务器之间的任务分发。
• 开发一种实用且可扩展的雾计算解决方案，平衡延迟、成本与动态网络状况。

提出的方法

• 将雾网络构建与任务分发问题建模为不确定条件下的在线优化问题。
• 将在线k-秘书框架进行适配，以在利用最佳候选节点前对相邻雾节点进行探索。
• 采用基于排队论的模型，准确捕捉雾层与云层中的传输与计算延迟。
• 使用在线算法，在探索阶段观察节点性能，并在利用阶段选择最优节点进行卸载。
• 根据实时延迟与容量指标，集成雾节点与云之间任务分发的决策。
• 通过竞争比分析评估性能，将在线结果与离线最优解进行比较。

实验结果

研究问题

• RQ1 当相邻节点不可预测地到达时，雾节点如何动态构建低延迟网络？
• RQ2 在线算法在已知未来节点到达的前提下，能在多大程度上实现接近离线最优解的性能？
• RQ3 相邻雾节点的数量如何影响雾与云层之间的任务卸载分布？
• RQ4 节点计算能力与到云的距离对任务卸载决策有何影响？
• RQ5 所提出的在线算法在不确定性条件下，多大程度上能有效最小化最大计算延迟？

主要发现

• 当选择六个相邻雾节点时，所提出的在线算法总成本仅比离线最优解高出2.7%。
• 竞争比分析表明，16.2%的迭代达到精确最优解，50%的迭代达到至少94.2%的最优值。
• 在超过50,000次迭代的最坏情况下，竞争比为0.59，表明具有强大的鲁棒性。
• 当相邻雾节点数量从6增加到7时，总成本上升，这是由于队列管理开销增加所致，尽管延迟仍在持续降低。
• 当雾节点与云之间的距离从200米增加到600米时，卸载到云的的任务比例下降了28.8%，这是由于云延迟增加所致。
• 当雾节点计算能力从μ=8提升到μ=10时，云任务卸载比例最多减少11.3%。