[论文解读] Mobile Edge Computing Empowers Internet of Things

Nirwan Ansari, Xiang Sun|arXiv (Cornell University)|Sep 1, 2017

IoT and Edge/Fog Computing参考文献 28被引用 12

一句话总结

本文提出了一种移动边缘物联网（MEIoT）架构，通过融合光纤无线接入、云粒（cloudlets）和软件定义网络（SDN），将计算与存储资源更贴近物联网设备，从而降低端到端延迟和能耗。通过采用动态代理虚拟机迁移策略——延迟感知迁移（LAM）与能耗感知迁移（EAM），系统最小化了延迟与电网能耗。仿真结果表明，在高网络负载下，LAM优于EAM及静态方法。

ABSTRACT

In this paper, we propose a Mobile Edge Internet of Things (MEIoT) architecture by leveraging the fiber-wireless access technology, the cloudlet concept, and the software defined networking framework. The MEIoT architecture brings computing and storage resources close to Internet of Things (IoT) devices in order to speed up IoT data sharing and analytics. Specifically, the IoT devices (belonging to the same user) are associated to a specific proxy Virtual Machine (VM) in the nearby cloudlet. The proxy VM stores and analyzes the IoT data (generated by its IoT devices) in real-time. Moreover, we introduce the semantic and social IoT technology in the context of MEIoT to solve the interoperability and inefficient access control problem in the IoT system. In addition, we propose two dynamic proxy VM migration methods to minimize the end-to-end delay between proxy VMs and their IoT devices and to minimize the total on-grid energy consumption of the cloudlets, respectively. Performance of the proposed methods are validated via extensive simulations.

研究动机与目标

• 解决物联网系统中集中式数据处理导致的高端到端延迟与网络拥塞问题。
• 克服物联网设备资源受限带来的实时数据共享与分析障碍。
• 通过语义与社交物联网融合，解决物联网系统中的互操作性与低效访问控制问题。
• 通过动态迁移策略最小化物联网设备与其代理虚拟机之间的端到端延迟。
• 通过能耗感知的代理虚拟机迁移，降低云粒的总电网能耗。

提出的方法

• 提出一种结合FiWi接入、分布式云粒、分层云粒结构与基于SDN的核心网络的MEIoT架构。
• 为每位用户的物联网设备分配附近云粒中的专用代理虚拟机，以实现实时数据存储与分析。
• 采用语义与社交物联网模型，提升互操作性，并实现细粒度、上下文感知的访问控制。
• 提出两种动态代理虚拟机迁移方法：延迟感知迁移（LAM）与能耗感知迁移（EAM），基于实时网络与能耗指标。
• 在LAM中使用成本函数以最小化端到端延迟，在EAM中以最小化电网能耗为目标，同时满足负载与能耗约束。
• 利用SDN实现对移动边缘网络与虚拟机资源的集中控制与动态重构。

实验结果

研究问题

• RQ1 如何利用移动边缘计算降低物联网数据处理与分析中的端到端延迟？
• RQ2 在基于云粒的MEIoT系统中，哪些动态迁移策略可同时最小化端到端延迟与电网能耗？
• RQ3 在资源受限的物联网环境中，语义与社交物联网模型的集成如何提升互操作性与访问控制？
• RQ4 网络负载（以λ表示）对不同代理虚拟机迁移策略性能有何影响？
• RQ5 如何对代理虚拟机的分解与迁移开销进行建模，以提升长期系统效率与能源可持续性？

主要发现

• 延迟感知迁移（LAM）方法相比能耗感知迁移（EAM）与静态迁移方法，显著降低了端到端延迟，尤其在高网络负载（λ）下表现更优。
• 随着网络负载（λ）增加，LAM与其他方法之间的端到端延迟差距进一步扩大，表明LAM在拥塞环境下具备更强的适应能力。
• EAM的平均电网能耗随网络负载（λ）升高而上升，原因是云粒间能量差异平衡的灵活性降低。
• LAM在各种网络负载下均能保持低端到端延迟，而EAM在高负载下因迁移灵活性受限，能效表现下降。
• 静态迁移方法在延迟与能耗方面表现最差，尤其当λ增大时更为明显。
• 仿真结果验证了LAM能有效最小化端到端延迟，而EAM则优化了能耗，支持在MEIoT系统中采用兼具双重目标的迁移策略。