[论文解读] Energy Efficient Deployment and Orchestration of Computing Resources at the Network Edge: a Survey on Algorithms, Trends and Open Challenges

Neda Shalavi, Giovanni Perin+2 more|arXiv (Cornell University)|Sep 28, 2022

IoT and Edge/Fog Computing被引用 8

一句话总结

本综述对多接入边缘计算（MEC）网络中计算资源的节能部署与编排进行了全面分析，重点聚焦于可再生能源集成、上下文感知资源调度以及节能联邦学习。通过算法创新，提出了一套系统化的绿色边缘计算框架，突出了可持续性、老化效应和语义数据压缩方面的开放挑战。

ABSTRACT

Mobile networks are becoming energy hungry, and this trend is expected to continue due to a surge in communication and computation demand. Multi-access Edge Computing (MEC), will entail energy-consuming services and applications, with non-negligible impact in terms of ecological sustainability. In this paper, we provide a comprehensive review of existing approaches to make edge computing networks greener, including but not limited to the exploitation of renewable energy resources, and context-awareness. We hence provide an updated account of recent developments on MEC from an energetic sustainability perspective, addressing the initial deployment of computing resources, their dynamic (re)allocation, as well as distributed and federated learning designs. In doing so, we highlight the energy aspects of these algorithms, advocating the need for energy-sustainable edge computing systems that are aligned with Sustainable Development Goals (SDGs) and the Paris agreement. To the best of our knowledge, this is the first work providing a systematic literature review on the efficient deployment and management of energy harvesting MEC, with special focus on the deployment, provisioning, and scheduling of computing tasks, including federated learning for distributed edge intelligence, toward making edge networks greener and more sustainable. At the end of the paper, open research avenues and challenges are identified for all the surveyed topics.

研究动机与目标

• 应对5G和6G移动网络因计算与通信需求上升而导致的能源消耗持续增长的问题。
• 审视移动网络与数据中心对环境的影响，二者合计占全球温室气体排放的1.8%至3.9%。
• 识别并分析MEC资源部署、动态调度及分布式学习的节能算法。
• 突出可再生能源、语义压缩以及设备到设备（D2D）通信在降低边缘网络能耗方面的作用。
• 提出一个与可持续发展目标（SDGs）及《巴黎协定》相一致的可持续框架，强调未来边缘系统中能源感知设计的重要性。

提出的方法

• 对节能MEC进行系统性文献综述，重点关注计算任务的部署、供应与调度。
• 分析能够适应用户移动性、流量动态及实时网络条件的上下文感知算法。
• 调查将可再生能源集成到边缘基础设施中的技术，以减少碳足迹。
• 评估在物联网设备上使用轻量级分类器的语义压缩方法，以减少带宽与能耗。
• 研究结合功率控制与雾计算的D2D通信，以提升下行链路能量效率。
• 探究为节能优化的联邦学习框架，包括客户端选择、稀疏化与量化技术。

实验结果

研究问题

• RQ1 如何有效将可再生能源集成到边缘计算基础设施中，以减少碳排放？
• RQ2 在动态MEC环境中，哪些最有效的上下文感知调度算法可最小化能耗？
• RQ3 在物联网设备上实施语义数据压缩在多大程度上可减少边缘网络中的通信开销与能耗？
• RQ4 D2D通信结合智能功率控制如何提升MEC辅助蜂窝网络的下行链路能量效率？
• RQ5 在异构、大规模边缘网络中设计节能联邦学习系统面临哪些开放挑战？

主要发现

• 通信网络与计算设施共同占全球ICT相关温室气体排放的24%至45%，其中数据中心在2020年单独贡献了45%。
• 预计到2026年，5G网络将使移动网络能耗增加150%至170%，凸显了能效提升的紧迫性。
• 在物联网节点上使用分布式线性分类器进行语义压缩可显著减少数据传输与带宽使用，但分类准确率的权衡仍需关注。
• 结合功率控制与雾计算的D2D通信在高密度场景下展现出提升下行链路能效的潜力。
• 集成客户端选择、稀疏化与量化技术的联邦学习框架可减少通信开销与能耗，但去中心化学习中的能效优化仍研究不足。
• 边缘设备老化及其对能效的影响是一个尚未被充分探索但对长期可持续性至关重要的研究方向。