[论文解读] Green Energy Aware Avatar Migration Strategy in Green Cloudlet Networks

Xiang Sun, Nirwan Ansari+1 more|arXiv (Cornell University)|Sep 11, 2015

Caching and Content Delivery参考文献 22被引用 7

一句话总结

本文提出了一种面向绿色云边网络（GCN）的绿色能源感知型化身迁移（GEAR）策略，通过基于实时绿色能源生成和能源需求的智能云边节点间化身迁移，以最小化对电网的能源消耗。GEAR策略在保持严格时延约束的前提下，相比Follow Me Avatar（FAR）策略将对电网的能源使用减少了35%，采用混合整数线性规划与分支定界优化方法实现。

ABSTRACT

We propose a Green Cloudlet Network (\emph{GCN}) architecture to provide seamless Mobile Cloud Computing (\emph{MCC}) services to User Equipments (\emph{UE}s) with low latency in which each cloudlet is powered by both green and brown energy. Fully utilizing green energy can significantly reduce the operational cost of cloudlet providers. However, owing to the spatial dynamics of energy demand and green energy generation, the energy gap among different cloudlets in the network is unbalanced, i.e., some cloudlets' energy demands can be fully provided by green energy but others need to utilize on-grid energy (i.e., brown energy) to satisfy their energy demands. We propose a Green-energy awarE Avatar migRation (\emph{GEAR}) strategy to minimize the on-grid energy consumption in GCN by redistributing the energy demands via Avatar migration among cloudlets according to cloudlets' green energy generation. Furthermore, GEAR ensures the Service Level Agreement (\emph{SLA}) in terms of the maximum Avatar propagation delay by avoiding Avatars hosted in the remote cloudlets. We formulate the GEAR strategy as a mixed integer linear programming problem, which is NP-hard, and thus apply the Branch and Bound search to find its sub-optimal solution. Simulation results demonstrate that GEAR can save on-grid energy consumption significantly as compared to the Follow me AvataR (\emph{FAR}) migration strategy, which aims to minimize the propagation delay between an UE and its Avatar.

研究动机与目标

• 解决移动云计算（MCC）网络中分布式云边节点之间绿色能源生成与能源需求不平衡的问题。
• 通过化身迁移重新分配计算负载，最小化绿色云边网络（GCN）中对电网（棕色）能源的消耗。
• 通过将最大化身传播延迟限制在可接受范围内，确保服务等级协议（SLA）合规，以维持低时延的MCC服务。
• 优化由混合绿色能源与电网供电的云边节点中的能源利用效率，尤其在能源供需的空间与时间动态变化条件下。

提出的方法

• 将GEAR策略建模为混合整数线性规划（MILP）问题，以优化化身迁移决策。
• 采用分支定界搜索算法求解NP难的MILP问题，获得次优解。
• 基于实时太阳辐射数据以及城市与农村区域间用户设备（UE）密度的变化，建模云边节点的能源动态。
• 集成基于软件定义网络（SDN）的控制平面，以实现化身与用户设备（UE）之间灵活且低时延的通信路径。
• 通过将化身从高需求、低绿色能源的云边节点迁移到低需求、高绿色能源的云边节点，实现云边节点间能源需求的均衡。
• 引入约束条件以限制化身传播延迟，确保服务质量（QoS）合规，防止远程托管。

实验结果

研究问题

• RQ1 如何优化化身迁移以最小化绿色云边网络中的对电网能源消耗？
• RQ2 通过智能化身迁移，云边节点之间的能源需求失衡能在多大程度上得到缓解？
• RQ3 绿色能源生成的空间分布（例如城市与农村）如何影响能源感知迁移策略的有效性？
• RQ4 在基于化身的MCC系统中，最小化对电网能源使用与维持低传播延迟之间存在何种权衡？
• RQ5 用户设备（UE）密度的增加如何影响GEAR策略相较于传统方法的可扩展性与节能效果？

主要发现

• 在标准条件下，24小时内GEAR策略相比Follow Me Avatar（FAR）策略将对电网的能源消耗减少了35%。
• 当用户设备（UE）密度提高至1,100个时，GEAR的节能效果达到最大，因为此时能源需求失衡更加显著，GEAR能有效平衡负载。
• 当UE密度超过1,100时，节能效果趋于平缓，因为绿色能源已得到充分利用，额外需求迫使系统依赖电网供电。
• 在太阳能辐射存在空间差异的场景中（例如城市区域接收的太阳能输入比农村区域低0–30%），随着能源差距扩大，GEAR相比FAR能显著减少对电网的能源使用。
• 在绿色能源生成量低或为零的时段（例如上午8–9点），GEAR与FAR的对电网能源使用相近，证实GEAR的优势仅在绿色能源可用时显现。
• GEAR通过避免远程云边节点托管，严格遵守SLA要求，确保最大传播延迟始终处于可接受范围内。