[论文解读] Characterizing Task Completion Latencies in Fog Computing

Maria Gorlatova, Hazer İnaltekin+1 more|arXiv (Cornell University)|Nov 6, 2018

IoT and Edge/Fog Computing参考文献 25被引用 17

一句话总结

本文提出了一种雾计算中任务分配的协同优化框架，通过建模任务特定的及时性和质量偏好，联合最小化延迟并最大化服务质量。通过在六种异构执行点（包括网关、本地服务器及云/边缘服务）上进行实证基准测试，识别出关键延迟特征和稳定性模式，随后利用感知效用的算法（UA、AT、C-TAP）制定并求解任务分配问题，在真实延迟和网络连接条件下，性能优于最小延迟或最大质量基线。

ABSTRACT

Fog computing, which distributes computing resources to multiple locations between the Internet of Things (IoT) devices and the cloud, is attracting considerable attention from academia and industry. Yet, despite the excitement about the potential of fog computing, few comprehensive quantitative characteristics of the properties of fog computing architectures have been conducted. In this paper we examine the properties of task completion latencies in fog computing. First, we present the results of our empirical benchmarking-based study of task completion latencies. The study covered a range of settings, and uniquely considered both traditional and serverless fog computing execution points. It demonstrated the range of execution point characteristics in different locations and the relative stability of latency characteristics for a given location. It also highlighted properties of serverless execution that are not incorporated in existing fog computing algorithms. Second, we present a framework we developed for co-optimizing task completion quality and latency, which was inspired by the insights of our empirical study. We describe fog computing task assignment problems we formulated under this framework, and present the algorithms we developed for solving them.

研究动机与目标

• 解决雾计算架构中任务完成延迟缺乏全面定量表征的问题。
• 理解在真实世界条件下，不同执行点（包括网关、本地服务器及云/边缘服务）的延迟变化性、稳定性及性能特征。
• 开发一种基于任务特定及时性和质量偏好的协同优化框架，以同时优化延迟和质量服务。
• 设计并评估动态分配任务至执行点的算法，基于连接性、容量和效用函数。
• 在真实、动态的网络条件下（如空中部署中的可变云连接性）验证该框架。

提出的方法

• 在六种异构雾执行点（Raspberry Pi 网关、本地服务器及不同区域的 AWS EC2/Lambda 节点）上进行了超过1,000小时的实证基准测试。
• 在受控工作负载下测量任务完成延迟，以表征不同执行点之间的可变性、稳定性和性能差异，包括无服务器和传统云模型。
• 提出一种基于效用的任务分配框架，其中每个任务具有时间效用函数和质量效用函数，实现延迟与质量的联合优化。
• 将任务分配问题建模为混合整数规划问题，综合考虑执行点容量、延迟分布和效用函数。
• 开发了三种算法：UA（感知效用）、AT（自适应阈值）和 C-TAP（协同优化任务分配策略），以在不同约束条件下求解分配问题。
• 使用来自不同网络位置的真实延迟测量值，在动态连接性条件（如飞行中场景）下评估算法性能。

实验结果

研究问题

• RQ1 不同雾执行点（包括网关、本地服务器及云/边缘服务）的任务完成延迟有何差异？
• RQ2 在重复工作负载下，给定执行点的任务完成延迟具有怎样的稳定性和可变性特征？
• RQ3 无服务器执行模型在延迟行为上与传统虚拟化或物理执行点有何不同？
• RQ4 协同优化框架能否在异构雾环境中有效平衡任务完成延迟与服务质量？
• RQ5 动态网络条件（如可变的云连接性）如何影响最优任务分配策略？

主要发现

• 网关执行点在重复运行中表现出稳定且低延迟的性能（中位数0.6秒），可变性低，而基于云的服务则表现出更高且更不稳定的延迟。
• 无服务器执行（AWS Lambda）表现出显著高于传统虚拟机的延迟可变性，这一特征在现有雾算法中未被捕捉。
• 在相同条件下，UA 算法实现了平均 0.5078 的效用，优于最小延迟方法（0.4677）和最大质量方法（0.4415）。
• 在混合连接性场景中，当云连接性较差时，UA 算法将56项任务分配给本地节点，连接性中等时分配22项，连接性最优时将全部100项任务分配给云，能够根据实时网络状况自适应调整。
• C-TAP 算法正确地将三个最紧急的任务分配给快速但质量较低的本地节点，同时将两个最宽松的任务分配给高质量但较慢的远程节点，展示了有效的权衡解决能力。
• 该框架成功处理了容量受限的执行点，并在动态环境（如网络性能波动的空中部署）中表现出鲁棒性。