[论文解读] PRIMAL: PRofIt Maximization Avatar pLacement for Mobile Edge Computing

Xiang Sun, Nirwan Ansari|arXiv (Cornell University)|Oct 14, 2015

Cloud Computing and Resource Management参考文献 22被引用 4

一句话总结

该论文提出PRIMAL，一种在移动边缘计算中实现利润最大化的实时虚拟化身迁移策略，通过动态地在多个云边端之间迁移用户化身，以最小化端到端（E2E）延迟，同时平衡迁移成本。通过优化E2E延迟降低（收益）与迁移带来的资源开销（成本）之间的权衡，PRIMAL在保持低延迟和最小化迁移开销方面优于‘跟随我’和‘静态’策略。

ABSTRACT

We propose a cloudlet network architecture to bring the computing resources from the centralized cloud to the edge. Thus, each User Equipment (UE) can communicate with its Avatar, a software clone located in a cloudlet, with lower end-to-end (E2E) delay. However, UEs are moving over time, and so the low E2E delay may not be maintained if UEs' Avatars stay in their original cloudlets. Thus, live Avatar migration (i.e., migrating a UE's Avatar to a suitable cloudlet based on the UE's location) is enabled to maintain low E2E delay between each UE and its Avatar. On the other hand, the migration itself incurs extra overheads in terms of resources of the Avatar, which compromise the performance of applications running in the Avatar. By considering the gain (i.e., the E2E delay reduction) and the cost (i.e., the migration overheads) of the live Avatar migration, we propose a PRofIt Maximization Avatar pLacement (PRIMAL) strategy for the cloudlet network in order to optimize the tradeoff between the migration gain and the migration cost by selectively migrating the Avatars to their optimal locations. Simulation results demonstrate that as compared to the other two strategies (i.e., Follow Me Avatar and Static), PRIMAL maximizes the profit in terms of maintaining the low average E2E delay between UEs and their Avatars and minimizing the migration cost simultaneously.

研究动机与目标

• 解决在移动边缘计算中，移动用户设备（UEs）与其软件克隆体（化身）之间保持低端到端（E2E）延迟的挑战。
• 缓解由实时化身迁移引起的性能下降，该迁移会消耗计算和网络资源。
• 开发一种策略，以最优方式平衡化身迁移带来的收益（E2E延迟降低）与成本（迁移开销）。
• 评估并对比PRIMAL与两种基线策略的表现：‘跟随我’（优先降低延迟）和‘静态’（优先降低迁移成本）。

提出的方法

• PRIMAL将化身放置问题建模为利润最大化的优化问题，其中利润定义为迁移收益（E2E延迟降低）与迁移成本（资源开销）之差。
• 利润函数引入了一个可调的权重参数α，以平衡延迟降低与迁移成本之间的权衡，支持根据网络状况进行动态调整。
• 该算法使用预测模型估算未来UE的位置，并选择最优的云边端迁移目标，以最小化E2E延迟，同时避免不必要的迁移。
• 迁移决策基于对UE移动性、云边端资源利用率以及网络中E2E延迟测量的实时监控。
• 该策略利用基于软件定义网络（SDN）的核心网络，实现化身与UE之间灵活且快速的路径配置。
• 通过使用真实移动性轨迹进行仿真，评估不同α值下的性能，测量平均往返时延（RTT）、迁移次数和迁移时间。

实验结果

研究问题

• RQ1 如何战略性地管理化身迁移，以在云边端网络中为移动UE维持低E2E延迟？
• RQ2 在移动边缘计算中，E2E延迟降低（收益）与迁移导致的资源消耗（成本）之间的最优权衡是什么？
• RQ3 所提出的PRIMAL策略在利润、延迟和迁移开销方面与静态和‘跟随我’迁移策略相比表现如何？
• RQ4 权重参数α如何影响PRIMAL中延迟降低与迁移成本之间的平衡？

主要发现

• PRIMAL通过有效平衡E2E延迟降低与迁移成本，实现了最高利润，优于‘跟随我’和‘静态’策略。
• 随着α增大，PRIMAL与静态策略之间的平均利润差距减小，表明当迁移成本占主导时，PRIMAL会趋近于静态策略。
• 当α较低时，PRIMAL会触发更多迁移以降低RTT，即使迁移时间较高，也体现出对延迟敏感性的响应能力。
• 随着α增大，PRIMAL减少了提供边际延迟改善但成本过高的非必要迁移，展现出自适应的成本控制能力。
• 仿真结果证实，PRIMAL在平均RTT与迁移次数之间实现了最佳权衡，且相对于基线策略表现出清晰的性能提升趋势。
• 该策略通过在云边端实现本地数据处理，有效减少了向远程数据中心传输的数据量，提升了可扩展性并降低了延迟。