[论文解读] Genetic-based optimization in Fog Computing: current trends and research opportunities

Carlos Guerrero, Isaac Lera+1 more|arXiv (Cornell University)|Dec 3, 2021

IoT and Edge/Fog Computing参考文献 183被引用 32

一句话总结

本文对基于遗传算法（GA）的雾计算优化进行了系统性综述，分析了70篇近期研究，识别出趋势、设计模式和研究空白。提出了一个关于优化范围和GA设计的分类体系，揭示了数据管理和服务迁移等尚未充分探索的领域，并呼吁开发针对雾计算异构性和分布性的先进并行、混合及自适应GA。

ABSTRACT

Fog computing is a new computational paradigm that emerged from the need to reduce network usage and latency in the Internet of Things (IoT). Fog can be considered as a continuum between the cloud layer and IoT users that allows the execution of applications or storage/processing of data in network infrastructure devices. The heterogeneity and wider distribution of fog devices are the key differences between cloud and fog infrastructure. Genetic-based optimization is commonly used in distributed systems; however, the differentiating features of fog computing require new designs, studies, and experimentation. The growing research in the field of genetic-based fog resource optimization and the lack of previous analysis in this field have encouraged us to present a comprehensive, exhaustive, and systematic review of the most recent research works. Resource optimization techniques in fog were examined and analyzed, with special emphasis on genetic-based solutions and their characteristics and design alternatives. We defined a classification of the optimization scope in fog infrastructures and used this optimization taxonomy to classify the 70 papers in this survey. Subsequently, the papers were assessed in terms of genetic optimization design. Finally, the benefits and limitations of each surveyed work are outlined in this paper. Based on these previous analyses of the relevant literature, future research directions were identified. We concluded that more research efforts are needed to address the current challenges in data management, workflow scheduling, and service placement. Additionally, there is still room for improved designs and deployments of parallel and hybrid genetic algorithms that leverage, and adapt to, the heterogeneity and distributed features of fog domains.

研究动机与目标

• 为应对雾计算中基于遗传算法（GA）优化研究日益增长的需求，该领域虽研究活跃但缺乏全面的综述。
• 识别雾资源优化中的关键挑战与研究空白，特别是在数据管理、工作流调度和服务部署方面。
• 提供一个关于优化范围和GA设计的结构化分类体系，以指导雾计算中的未来研究与开发。
• 评估现有基于GA方法在雾环境中的优缺点，重点关注可扩展性、异构性和实时性能。
• 提出未来研究方向，包括并行、混合及自适应GA，并与新兴范式（如渗透计算）相结合。

提出的方法

• 通过Google Scholar和Web of Science进行系统性文献调研，识别出70篇关于雾计算中基于GA优化的相关论文。
• 构建双层分类体系：一层用于优化范围（如服务部署、工作流调度、数据管理），另一层用于GA设计（如单目标、多目标、并行、混合GA）。
• 基于所定义的分类体系对每篇论文进行分类与分析，重点关注优化目标、适应度函数以及遗传算子（交叉、变异、选择）。
• 从性能、可扩展性和对雾计算特有约束（如设备异构性、网络不对称性）的适应性角度，评估每种方法的优势与局限。
• 识别GA实现中的重复模式，如NSGA-II和标准加权GA的主导地位，并突出未被充分利用的方法，如多族群和分布式GA。
• 将研究发现整合为未来研究方向，强调需要开发更先进的GA设计，以更好地利用雾基础设施的特性。

实验结果

研究问题

• RQ1 基于GA的雾计算研究中，主流的优化范围是什么？这些范围随时间如何演变？
• RQ2 遗传算法在雾环境中如何设计与实现？实践中最常用的变体（如NSGA-II、单目标GA）有哪些？
• RQ3 当前基于GA的雾资源优化方法存在哪些关键局限与挑战，特别是在可扩展性、异构性和实时约束方面？
• RQ4 尽管需求不断增长，雾计算中哪些优化领域仍处于研究不足状态？未来研究存在哪些机遇？
• RQ5 未来GA设计如何改进，以更好地应对雾基础设施的分布式、异构性和动态特性？

主要发现

• 最常研究的优化范围为服务部署（20.0%）、工作流调度（18.6%）和服务编排（15.0%），表明研究重点集中于服务管理。
• NSGA-II和标准加权GA是使用最广泛的GA变体，分别占22.9%和20.0%的论文，表明对其他GA设计的探索有限。
• 仅有6.7%的调研论文涉及数据管理，尽管雾环境中数据量持续增长，凸显了关键的研究空白。
• 服务迁移研究严重不足，仅4.3%的论文涉及该主题，尽管其在移动和用户中心应用中具有重要意义。
• 并行与分布式GA方法发展不足，仅有三篇研究提出并行GA，且无一聚焦于多族群或细粒度分布策略。
• 混合与自适应GA设计基本未被探索，表明在复杂雾环境中提升性能与收敛速度方面存在重大机遇。