[论文解读] MAPO: A Multi-Objective Model for IoT Application Placement in a Fog Environment

Narges Mehran, Dragi Kimovski+1 more|arXiv (Cornell University)|Aug 3, 2019

IoT and Edge/Fog Computing参考文献 10被引用 5

一句话总结

MAPO 是一种用于在雾计算环境中部署物联网应用的多目标优化框架，采用遗传算法平衡完成时间、能耗和经济成本。与现有最先进方法相比，其完成时间最多减少 7.3 倍，能耗最多降低 68%，成本最多降低 27%。

ABSTRACT

The emergence of the Fog computing paradigm that leverages in-network virtualized resources raises important challenges in terms of resource and IoT application management in a heterogeneous environment offering only limited computing resources. In this work, we propose a novel Pareto-based approach for application placement close to the data sources called Multiobjective IoT application Placement in fOg (MAPO). MAPO models applications based on a finite state machine and uses three conflicting optimization objectives, namely completion time, energy consumption, and economic cost, considering both the computation and communication aspects. In contrast to existing solutions that optimize a single objective value, MAPO enables multi-objective energy and cost-aware application placement. To evaluate the quality of the MAPO placements, we created both simulated and real-world testbeds tailored for a set of medical IoT application case studies. Compared to the state-of-the-art approaches, MAPO reduces the economic cost by up to 27%, while decreasing the energy requirements by 23-68%, and optimizes the completion time by up to 7.3 times.

研究动机与目标

• 解决在资源受限的雾环境中高效、节能且成本敏感地部署时延敏感型物联网应用的挑战。
• 克服现有物联网应用部署方案中单目标或加权和方法的局限性。
• 将物联网应用建模为由轻量级、相互连接的组件构成的有限状态机，以实现细粒度优化。
• 在完成时间、能耗和经济成本这三个相互冲突的目标之间实现帕累托最优的权衡。
• 通过模拟环境和真实世界测试平台，利用医疗物联网应用工作负载验证该方法。

提出的方法

• 将物联网应用建模为具有相互连接组件的有限状态机，以表示功能工作流。
• 构建一个包含三个目标的多目标优化问题：完成时间（makespan）、能耗和经济成本。
• 应用非支配排序遗传算法（NSGA-II）来近似雾设备上最优部署的帕累托前沿。
• 在优化模型中整合通信延迟和数据传输成本，同时考虑计算和网络开销。
• 实施一种决策策略，根据应用特定需求从帕累托解集中选择单一解。
• 在真实世界测试平台上部署并评估该框架，使用容器化组件在雾设备和云设备上运行，控制工作负载和数据大小。

实验结果

研究问题

• RQ1 与现有单目标或加权目标方法相比，MAPO 在雾环境中减少应用完成时间的性能如何？
• RQ2 在医疗物联网应用中，MAPO 在保持低延迟的同时，能在多大程度上减少能耗和经济成本？
• RQ3 在真实部署中，通信数据大小和 CPU 工作负载对 MAPO 与 FSPP 和 EW 方法性能的影响如何？
• RQ4 在不同物联网应用工作负载下，MAPO 在完成时间、能效和成本之间实现了怎样的权衡？
• RQ5 与依赖云或粗粒度策略相比，MAPO 的多目标特性如何影响部署决策？

主要发现

• 在仿真中，MAPO 相较于最先进的 EW 方法，应用完成时间最多减少 7.3 倍；在真实测试中，最多减少 6.9 倍。
• 在真实实验中，与 FSPP 相比，能耗最多降低 68%；与 EW 相比，最多降低 35%，尤其在高 CPU 工作负载下表现显著。
• 与 EW 相比，经济成本最多降低 27%，但比 FSPP 高出约 20%，后者因优先使用云以节省成本。
• 通信延迟对完成时间的影响大于数据大小本身，凸显优化数据传输路径的重要性。
• 在高 CPU 工作负载下，MAPO 的能效比 FSPP 高出 66%，但比 EW 低 54%，表明其具备平衡的权衡策略。
• 基于帕累托的方法能够同时在三个目标上实现一致改进，优于单目标方法在多维优化中的表现。