[论文解读] Managing Service-Heterogeneity using Osmotic Computing

Vishal Sharma, Kathiravan Srinivasan+3 more|arXiv (Cornell University)|Apr 13, 2017

IoT and Edge/Fog Computing参考文献 8被引用 17

一句话总结

本文提出了一种基于适应度的渗透算法，通过根据能耗、负载和处理时间动态地在边缘和数据中心资源之间分配服务，以管理雾计算中的服务异构性。该方法通过智能服务卸载，减少了分配时间并提高了资源利用率，在数值仿真中显著提升了效率。

ABSTRACT

Computational resource provisioning that is closer to a user is becoming increasingly important, with a rise in the number of devices making continuous service requests and with the significant recent take up of latency-sensitive applications, such as streaming and real-time data processing. Fog computing provides a solution to such types of applications by bridging the gap between the user and public/private cloud infrastructure via the inclusion of a "fog" layer. Such approach is capable of reducing the overall processing latency, but the issues of redundancy, cost-effectiveness in utilizing such computing infrastructure and handling services on the basis of a difference in their characteristics remain. This difference in characteristics of services because of variations in the requirement of computational resources and processes is termed as service heterogeneity. A potential solution to these issues is the use of Osmotic Computing -- a recently introduced paradigm that allows division of services on the basis of their resource usage, based on parameters such as energy, load, processing time on a data center vs. a network edge resource. Service provisioning can then be divided across different layers of a computational infrastructure, from edge devices, in-transit nodes, and a data center, and supported through an Osmotic software layer. In this paper, a fitness-based Osmosis algorithm is proposed to provide support for osmotic computing by making more effective use of existing Fog server resources. The proposed approach is capable of efficiently distributing and allocating services by following the principle of osmosis. The results are presented using numerical simulations demonstrating gains in terms of lower allocation time and a higher probability of services being handled with high resource utilization.

研究动机与目标

• 解决雾计算环境中服务异构性的问题，其中服务在计算、存储和延迟需求方面各不相同。
• 通过智能地将服务分布在边缘、雾和数据中心层级，提高资源利用率并降低处理延迟。
• 开发一种动态服务分配机制，将能耗效率、负载均衡和处理时间作为关键决策因素。
• 利用渗透计算范式实现高效的服务卸载，以支持物联网和实时系统中的低延迟、高性能应用。

提出的方法

• 引入一个适应度函数，基于能耗、系统负载和处理时间三个核心资源属性来评估服务。
• 将服务分类为微组件和宏组件，以实现在计算层级上的细粒度分配。
• 实现一个渗透式软件层，用于管理服务在边缘设备、传输节点和数据中心之间的迁移。
• 通过数值仿真评估在不同工作负载和资源条件下，基于适应度的渗透算法的性能。
• 应用渗透原理，根据实时资源可用性和服务特性，将服务分配到最合适的执行层级。
• 通过提出反向渗透机制，将安全考虑集成进来，以检测和隔离入侵行为，将恶意实体视为系统中的杂质。

实验结果

研究问题

• RQ1 如何通过动态资源分配有效管理雾计算中的服务异构性？
• RQ2 应依据何种标准来决定将服务从数据中心卸载到边缘或雾资源？
• RQ3 基于适应度的算法在异构服务环境中能在多大程度上提升分配效率并减少服务处理时间？
• RQ4 所提出的渗透计算模型如何提升分布式计算基础设施中的资源利用率和能效？
• RQ5 安全容器化和反向渗透在实现跨雾和云层级的可信服务迁移中扮演何种角色？

主要发现

• 基于适应度的渗透算法通过根据实时资源度量将服务智能匹配到最优执行层级，显著减少了服务分配时间。
• 所提出的方法提高了高资源利用率服务的处理概率，最大限度减少了空闲容量和冗余。
• 数值仿真证实，该算法通过在边缘、雾和数据中心资源之间均衡负载，提升了系统效率。
• 该模型通过避免非冗余的服务分配，表现出更高的能效，支持“绿色渗透计算”的概念。
• 通过动态重构增强了服务迁移，渗透层使服务能够根据工作负载变化和接近度需求无缝移动。
• 安全仍是挑战，但反向渗透的概念提供了一种有前景的机制，可通过将恶意实体视为系统杂质来检测和隔离它们。