[论文解读] Scheduling IoT Applications in Edge and Fog Computing Environments: A Taxonomy and Future Directions

Mohammad Ali Goudarzi, Marimuthu Palaniswami+1 more|arXiv (Cornell University)|Apr 26, 2022

IoT and Edge/Fog Computing被引用 6

一句话总结

本文提出了一种用于雾计算和边缘计算环境中调度物联网应用的综合性分类法，从应用结构、环境架构、优化特性、决策引擎和性能评估五个维度对现有方法进行分类。该研究识别出研究空白，并提出未来方向，包括混合调度、机器学习集成、热管理以及隐私感知系统，以提升在动态物联网工作负载下的可扩展性、适应性和效率。

ABSTRACT

Fog computing, as a distributed paradigm, offers cloud-like services at the edge of the network with low latency and high-access bandwidth to support a diverse range of IoT application scenarios. To fully utilize the potential of this computing paradigm, scalable, adaptive, and accurate scheduling mechanisms and algorithms are required to efficiently capture the dynamics and requirements of users, IoT applications, environmental properties, and optimization targets. This paper presents a taxonomy of recent literature on scheduling IoT applications in Fog computing. Based on our new classification schemes, current works in the literature are analyzed, research gaps of each category are identified, and respective future directions are described.

研究动机与目标

• 应对在分布式雾和边缘环境中高效调度延迟敏感、数据密集型物联网应用日益增长的挑战。
• 基于应用结构、环境架构和优化目标等关键维度，系统性地对雾计算中的现有调度方法进行分类。
• 识别当前文献中在决策引擎设计、性能评估和跨层优化方面的关键研究空白。
• 提出未来研究方向，以提升实际物联网部署中系统的可扩展性、适应性和能效。
• 将新兴技术（如机器学习和隐私保护机制）集成到调度框架中，以应对动态、资源受限环境中的挑战。

提出的方法

• 构建一个包含五个核心视角的多维分类法：应用结构、环境架构、优化特性、决策引擎属性和性能评估。
• 沿这些维度对现有调度工作进行分类，以揭示当前研究在结构和功能上的缺口。
• 提出混合调度决策引擎，结合多种部署技术，以应对异构应用需求（如低延迟与高准确率的权衡）。
• 建议将机器学习技术——尤其是深度强化学习——集成到调度决策引擎中，以提升适应性和收敛性。
• 设计隐私保护机制，用于在基于分布式学习的调度中共享代理经验，在最小化数据泄露的同时保持性能。
• 将热力学动态和冷却约束作为优化参数，防止资源受限的雾服务器因过热导致硬件故障。

实验结果

研究问题

• RQ1 如何设计调度机制，以有效应对雾环境中异构物联网应用的多样化和动态化需求？
• RQ2 在应用结构、环境架构和优化目标方面，当前调度方法存在哪些关键局限和研究空白？
• RQ3 如何利用机器学习技术提升分布式雾系统中调度决策引擎的适应性和可扩展性？
• RQ4 热管理在高负载下对提升雾计算节点的可靠性和寿命方面发挥何种作用？
• RQ5 如何在不损害收敛性或性能的前提下，将隐私保护机制集成到分布式、数据驱动的调度框架中？

主要发现

• 在支持经验共享的分布式调度框架（如深度强化学习）中，隐私保护机制的集成仍存在显著研究空白。
• 当前调度方法通常忽略雾服务器的热力学特性，导致在持续高负载下可能引发硬件退化。
• 结合多种部署策略的混合调度引擎对于支持具有冲突需求的多样化物联网工作负载（如低延迟与高准确率）至关重要。
• 用于资源管理的机器学习模型通常未针对资源受限的雾服务器进行优化，尤其在后训练量化方面面临挑战。
• 从物联网设备和资源提供方视角出发，执行成本的权衡尚未得到充分探索，存在联合优化总能耗或碳足迹的潜力。
• 现有性能评估框架往往缺乏标准化，导致跨研究比较困难，限制了雾调度研究的可重现性。