[论文解读] On Optimal and Fair Service Allocation in Mobile Cloud Computing

Mahmood Reza Rahimi, Nalini Venkatasubramanian+2 more|arXiv (Cornell University)|Aug 20, 2013

IoT and Edge/Fog Computing被引用 7

一句话总结

本文提出 MuSIC，一种基于两层架构（本地云与公共云）的启发式算法，用于在移动云环境中实现最优且公平的服务分配。通过将用户移动性建模为位置-时间工作流（LTW），MuSIC 动态映射任务以最小化延迟、功耗和成本——在固定价格约束下，相比仅使用公共云，其性能达到最优性能的 73%，并使延迟和功耗降低 25%。

ABSTRACT

This paper studies the optimal and fair service allocation for a variety of mobile applications (single or group and collaborative mobile applications) in mobile cloud computing. We exploit the observation that using tiered clouds, i.e. clouds at multiple levels (local and public) can increase the performance and scalability of mobile applications. We proposed a novel framework to model mobile applications as a location-time workflows (LTW) of tasks; here users mobility patterns are translated to mobile service usage patterns. We show that an optimal mapping of LTWs to tiered cloud resources considering multiple QoS goals such application delay, device power consumption and user cost/price is an NP-hard problem for both single and group-based applications. We propose an efficient heuristic algorithm called MuSIC that is able to perform well (73% of optimal, 30% better than simple strategies), and scale well to a large number of users while ensuring high mobile application QoS. We evaluate MuSIC and the 2-tier mobile cloud approach via implementation (on real world clouds) and extensive simulations using rich mobile applications like intensive signal processing, video streaming and multimedia file sharing applications. Our experimental and simulation results indicate that MuSIC supports scalable operation (100+ concurrent users executing complex workflows) while improving QoS. We observe about 25% lower delays and power (under fixed price constraints) and about 35% decrease in price (considering fixed delay) in comparison to only using the public cloud. Our studies also show that MuSIC performs quite well under different mobility patterns, e.g. random waypoint and Manhattan models.

研究动机与目标

• 解决在用户动态移动和设备资源有限的条件下，确保移动云计算中高 QoS 的挑战。
• 设计一种框架，将移动应用工作负载建模为位置-时间工作流（LTW），以捕捉由移动性驱动的服务使用模式。
• 为单用户及基于群组协作的移动应用，在两层云架构中正式建模最优服务分配问题。
• 设计一种可扩展、高效的启发式算法，平衡多种 QoS 目标：应用延迟、设备功耗和用户成本。

提出的方法

• 将移动应用建模为位置-时间工作流（LTW），其中任务执行依赖于用户位置和时间，以捕捉移动性模式。
• 将服务分配问题形式化为结合价格、延迟和能耗的效用优化问题，并证明其为 NP-难问题。
• 提出 MuSIC（云中感知移动性的服务分配），一种启发式算法，根据预测的用户移动性和 QoS 权衡，将任务映射到本地或公共云资源。
• 使用一种效用度量来量化成本、延迟和能耗之间的权衡，支持用户移动时的动态重构。
• 将 MuSIC 算法集成到 MAPCloud 中间件框架中，以在两层云环境中支持实时卸载决策。
• 通过真实世界实现和使用复杂移动工作负载（如视频流、信号处理和多媒体共享）的仿真，评估该方法。

实验结果

研究问题

• RQ1 如何有效建模移动应用工作负载，以反映用户移动性及其对服务使用模式的影响？
• RQ2 在考虑多种 QoS 目标时，两层移动云架构中最优服务分配的计算复杂度是什么？
• RQ3 一种可扩展的启发式算法是否能在具有不同用户移动性模式的动态移动环境中实现接近最优的性能？
• RQ4 与仅依赖公共云相比，两层云架构（本地 + 公共）在降低延迟和功耗方面能实现多大程度的改善？
• RQ5 所提出的框架在用户移动性条件下，如何在基于群组协作的移动应用中维持高 QoS 和公平性？

主要发现

• 在两层云中，单用户及基于群组协作的移动应用的最优服务分配问题被证明为 NP-难问题。
• MuSIC 在效用方面达到最优解的约 73%，显著优于简单的卸载策略。
• 在固定价格约束下，与仅使用公共云相比，MuSIC 将应用延迟和设备功耗降低了约 25%。
• 当延迟固定时，与仅使用公共云的部署相比，MuSIC 将用户成本降低了约 35%。
• MuSIC 在多种移动性模型（包括随机游走和曼哈顿移动模式）下表现出稳健性能。
• 该框架支持超过 100 名并发用户执行复杂工作流的可扩展运行，同时保持高 QoS。