[论文解读] The SPEC-RG Reference Architecture for the Compute Continuum

Matthijs Jansen, Auday Al-Dulaimy+3 more|arXiv (Cornell University)|Jul 9, 2022

IoT and Edge/Fog Computing被引用 4

一句话总结

本文提出了用于计算边缘连续体的 SPEC-RG 参考架构，将碎片化的边缘计算、雾计算和云计算模型统一为一个连贯的框架。该框架通过一个部署与基准测试框架以及一阶分析模型，实现了对工作负载的系统性推理，已在深度学习和工业物联网工作负载上得到验证，为端到端的性能与资源管理分析提供了开源工具支持，覆盖整个连续体环境。

ABSTRACT

As the next generation of diverse workloads like autonomous driving and augmented/virtual reality evolves, computation is shifting from cloud-based services to the edge, leading to the emergence of a cloud-edge compute continuum. This continuum promises a wide spectrum of deployment opportunities for workloads that can leverage the strengths of cloud (scalable infrastructure, high reliability) and edge (energy efficient, low latencies). Despite its promises, the continuum has only been studied in silos of various computing models, thus lacking strong end-to-end theoretical and engineering foundations for computing and resource management across the continuum. Consequently, developers resort to ad hoc approaches to reason about performance and resource utilization of workloads in the continuum. In this work, we conduct a first-of-its-kind systematic study of various computing models, identify salient properties, and make a case to unify them under a compute continuum reference architecture. This architecture provides an end-to-end analysis framework for developers to reason about resource management, workload distribution, and performance analysis. We demonstrate the utility of the reference architecture by analyzing two popular continuum workloads, deep learning and industrial IoT. We have developed an accompanying deployment and benchmarking framework and first-order analytical model for quantitative reasoning of continuum workloads. The framework is open-sourced and available at https://github.com/atlarge-research/continuum.

研究动机与目标

• 解决在云-边缘-终端连续体中资源管理与工作负载分发缺乏端到端理论与工程基础的问题。
• 将孤立的计算模型（如雾计算、雾层、边缘计算和移动云计算）统一为单一、连贯的参考架构。
• 为开发人员提供一个系统性框架，用于推理工作负载卸载、资源分配以及在异构连续体部署中的性能表现。
• 开发一个可部署的开源框架，支持对多样化连续体资源的仿真，并实现定量基准测试。
• 建立一阶分析模型以支持性能推理，与部署框架相辅相成，支持快速配置迭代。

提出的方法

• 系统分析了17个现有的计算连续体模型，以识别其重叠的关注点与设计空间特征。
• 选取了五个代表性模型——雾层、边缘计算、多接入边缘计算、雾计算和移动云计算——以覆盖连续体设计空间的不同部分。
• 设计了一个统一的参考架构，抽象出各模型间的共性，支持对工作负载分发与资源管理的端到端推理。
• 实现了支持虚拟机、容器以及多种资源管理器（如Kubernetes、KubeEdge）的部署与基准测试框架，覆盖云、边缘和终端设备。
• 开发了一阶分析模型用于性能推理，并与基准测试框架集成，以实现快速配置评估。
• 支持对计算、网络和操作系统服务的自定义，实现对连续体部署的全栈仿真。

实验结果

研究问题

• RQ1 如何将如雾计算、边缘计算、雾层和移动云计算等异构计算模型统一于计算连续体的单一概念框架之下？
• RQ2 现有连续体模型之间的核心共性与区分特征是什么，从而支持系统性的设计空间探索？
• RQ3 参考架构在多大程度上能够支持对云-边缘-终端连续体中工作负载卸载、资源管理与性能表现的端到端推理？
• RQ4 统一的部署与基准测试框架在多大程度上能提升对连续体工作负载的评估与优化？
• RQ5 结合可配置框架的一阶分析模型，是否能够实现对连续体应用部署的高效且量化的推理？

主要发现

• SPEC-RG 参考架构成功地将17种不同的计算模型统一于单一、连贯的框架之下，揭示了尽管呈现方式孤立，但其关注点存在显著重叠。
• 所提出的部署与基准测试框架支持对云、边缘和终端资源的全栈仿真，包括可配置的资源管理器与操作系统服务，支持全面的实验。
• 该框架在支持所有连续体计算模型方面优于现有工具（如Fogify和MockFog），并实现了对计算与网络资源的细粒度控制。
• 一阶分析模型能够快速实现对多样化配置的性能推理，减少了对耗时的试错式部署调优的依赖。
• 在深度学习与工业物联网工作负载上的验证表明，该框架在分析真实世界连续体工作负载方面具有实用性，可提供可测量的性能与资源利用率洞察。
• 开源框架与模型正在积极开发中，可通过 https://github.com/atlarge-research/continuum 获取，支持持续研究与工具集成。