邊緣計算中的計算遷移概述

文章目錄

• 前言
• 一、計算遷移簡介
• • 1.1 何為計算遷移？
  • 1.2 計算遷移的一般模型
• 二、計算遷移的發展
• • 2.1 分布式計算
  • 2.2 普适計算
  • 2.3 雲計算
  • 2.4 邊緣計算
  • 2.5 邊緣計算中的計算遷移技術
  • • 2.5.1 Femtoclouds系統
    • 2.5.2 Replisom系統
    • 2.5.3 ME-VoLTE系統
    • 2.5.4 移動終端對等點之間的計算遷移
    • 2.5.5 邊緣網頁浏覽加速模型
    • 2.5.6 上下文感覺協同實時應用
    • 2.5.7 CloudAware
  • 2.6 基于不同優化目的邊緣計算遷移研究
• 3 移動邊緣計算中的計算遷移面臨的挑戰

前言

本文主要記錄在相關計算遷移論文中的知識點和相關概念。如有錯誤，請不吝指教。

一、計算遷移簡介

1.1 何為計算遷移？

計算解除安裝/遷移是指終端裝置将部分或者全部的計算任務解除安裝到資源豐富的邊緣伺服器，以解決終端裝置在資源存儲和計算性能方面的不足。

主要解決在邊緣計算中終端資源受限的問題。

計算遷移的具體原因有：

• 移動終端資源受限
• 均衡終端任務負載
• 降低資料傳輸量（将計算任務遷移到計算節點執行）
• 減少裝置網絡時延（使用者可以在任務遷移到計算節點時選擇斷開網絡）

需解決的問題：

• 将計算體遷移到其他資源豐富的終端運作。（受限于能耗，計算資源，計算能力等）
• 跨移動終端任務同步。（面臨着異構，連續、恢複等問題）
• 移動裝置資源共享的計算模型（移動裝置間的計算遷移，這個提供資源的移動終端稱為cloudlet）
• 雲資料中心計算任務下行到邊緣節點

遷移決策主要分為：

• 1.完全遷移
• 2.本地執行
• 3.部分遷移

影響遷移的因素：使用者偏好、網絡連接配接品質、移動裝置性能等。

可遷移性，連續性，并行性

具體根據應用的可遷移性：支援遷移的應用可以分為兩種類型.第 1 種類型的應用可以被分為多個可遷移的部分,所有的這些部分都可以遷移到遠端的服務端去運作.由于每個可遷移部分所需的計算能力和 資料量可能不同,是以有必要決定哪些部分應該遷移到MEC.第 2 種類型的應用則包含多個可遷移的 部分和一個不可遷移的部分,不可遷移的部分必須在 MD 本地執行. •

根據應用執行的連續性： 一種是非連續性執行的應用,如人臉識别、病毒掃描等,預先知道待處理的資料量;另一種是連續性執行的應用,如線上互動式遊戲,由于無法估計待處理的資料量,更不可能預測該 類應用的運作時間.顯然,對于連續性執行的應用,計算遷移的決策可能相當棘手.

根據遷移任務的并行性： 同一應用的各個計算任務之間的關系可以是并行的也可以是串行的:在前一 種情況下,遷移到遠端執行的各個任務可以同時遷移以及并行處理;在後一種情況下,計算任務之間的 關系是互相依賴的,後一個任務的執行必須要等待前一個任務的結果,不适合執行并行遷移.各個任務 之間的關系可以用任務依賴圖來表示.

1.2 計算遷移的一般模型

移動裝置端運作的應用程式需要包含代碼分析器、系統分析器和決策引擎其中代碼分析器的職責是确定應用程式/計算任務是否可以遷移以及哪些部分支援遷移遷移(這取決于應用程式類型和計算任務的特征)

系統分析器負責監控各種參數,例如可用帶寬、待遷移的資料量或 在 MD 本地執行計算任務所消耗的電池能量；

決策引擎基于遷移決策算法決定是否執行計算遷移

計算遷移的運作順序即代碼分析器、系統分析器、決策引擎。

二、計算遷移的發展

計算遷移最早起源于Mahadev提出的Cyber Foraging思想即将資源受限的移動終端上的任務交給移動終端附近的伺服器執行。

後續計算遷移劃分為分布式計算、普适計算、雲計算以及邊緣計算四個階段。

2.1 分布式計算

出現原因：

• 個人計算機的發展使得單機的計算和存儲能力增強
• 區域網路的發展，使得計算遷移成為可能

主要思想： 将空閑的資源以服務的形式提供給他人使用。

分布式計算架構對于計算過程中的通信，資料等進行封裝。

部分分布式計算架構：

• Hadoop
• Storm
• Spark

相應貢獻：

• 基于負載共享的軟體方法（電源保護政策）
• 無線環境下的遠端執行可行性驗證
• 任務自動劃分理念（Coign,應用圖形切割算法在網絡劃分應用程式）

2.2 普适計算

普适計算強調讓計算機本身從人們的實作中消失。

普适計算模式下的計算遷移研究可以分為：計算遷移架構、應用劃分算法、資源預測方法、應用開發環境和技術。

計算遷移架構： MAUI（基于能量改制的移動終端代碼遷移到基礎設定中的系統）

應用劃分： Chroma（基于政策的遠端執行系統，在保留應用程式資訊的同時，對于應用程式進行分區）

遠端執行： 小裝置的移動性和計算伺服器的高性能相結合。 Spectra（ 基于普适計算的終端遠端執行系統） Zap(用于應用程式透明遷移的系統)、J-orchestra（基于java的應用程式自動程式分區系統、Slingshot架構

動态分區：将應用程式的一部分遷移到代理上執行（應用劃分算法） 資源預測算法：在估計先驗分布采用自動變點檢測的貝葉斯方法性能最佳。

2.3 雲計算

何為雲：

雲實質上就是一個網絡。雲計算的核心概念就是以網際網路為核心，在網站上提供快速且安全的雲計算服務與資料存儲。

雲計算與傳統計算的差別：

• 服務品質好，可用性高，資源使用率和可擴充性強，資料安全，隐私高
• 會因廣域網而由抖動，錯誤，時延，網絡的連接配接不穩定，通路雲資源的經濟成本高

在雲計算極端的計算遷移有以下三種

• 基于cloudlet的計算遷移
• 基于surrogate的計算遷移
• 基于雲的計算遷移

基于cloudlet的計算遷移： 雲以cloudlet的方式靠近移動使用者，同時cloudlet并不固定，而是以動态的方式來給移動使用者提供資源。（防止抖動，錯誤，時延以及連接配接不穩定）

基于surrogate的計算遷移（Odessa）：通過線上分析器和執行時間預測器，來為移動使用者的應用程式提供計算遷移和冰箱處理。（有較好的适應性，場景複雜，帶寬變化等）

基于雲的計算遷移（CloneCloud）：采用靜态與動态分析相結合，以精細的粒度區分應用程式，并優化終端的執行時間和能耗。

TCEP（任務聯合執行政策）針對于應用遷移到雲端而引起的大量資料傳輸引起的能耗問題。（采用一次遷移最優特性）

2.4 邊緣計算

為了解決雲計算中的時延問題，雲服務應該被轉移到與使用者實體位置鄰近的地方——移動網絡的邊緣。

計算遷移具體可以概括為：代理發現，環境感覺，任務劃分和執行控制等步驟。

相應的流程如下圖所示：

2.5 邊緣計算中的計算遷移技術

2.5.1 Femtoclouds系統

Femtoclouds 是一個動态的、自配置的多裝置移動雲系統，通過協調多個移動裝置來拓展cloudlet的計算資源。，同時他還會利用移動使用者附近的空閑裝置來為使用者提供計算服務，減少了傳統的将計算遷移到雲資料中心産生的網絡時延。

Femtoclouds工作原理：移動裝置發送裝置資訊和共享政策給cloudlet，并連接配接到計算叢集中。移動終端将相關任務相關的代碼，資料發送到cloudlet上，遷移計算任務，并将任務在計算叢集中配置設定計算。

在任務排程中，采用貪婪啟發方法（将任務配置設定給可用裝置）

此系統計算遷移性能主要取決于計算叢集中可用的移動裝置數量以及裝置的剩餘資源量。

相關文獻：

1 HABAK K, AMMAR M, HARRAS K A, et al. Femto clouds:Leveraging mobile devices to provide cloud service at the edge[C]// 2015 IEEE 8th International Conference on Cloud Computing (CLOUD), June 27-July 2,2015, New York, USA. Piscataway: IEEE Press, 2015: 9-16.

2.5.2 Replisom系統

Replisom是一個移動邊緣雲架構，他可以減少多個請求雲資源的響應時間。

通過記憶體複制的方式将壓縮的計算體複制到邊緣雲對應的虛拟機中。邊緣雲定期請求以擷取相應的任務。

相關文獻：

1.ABDELWAHAB S, HAMDAOUI B, GUIZANI M, et al. Replisom: disciplined tiny memory replication for massive IoT devices in LTE edge cloud[J].

Internet of Things Journal, 2015(99): 1.

2.5.3 ME-VoLTE系統

ME-VoLTE是基于視訊電話的移動邊緣計算系統，可以在視訊通話中減少終端能源消耗。

ME-VoLTE系統将通話過程中的視訊編碼任務遷移到MEC邊緣伺服器上執行。

在ME-VoLTE的體系結構中主要有服務調用控制子產品和媒體資源子產品。

服務調用控制子產品：在移動裝置和VoLTE網絡間發送信号。

媒體資源子產品：負責視訊的混輯、存儲視訊的回放和轉碼。

具體原理：代理将請求發送到服務調用子產品，服務調用子產品根據目前的可用計算資源和上行強度來決定編碼類型，再有邊緣網絡中的裝置來提供編解碼器進行編碼。

相關文獻：

1. BECK M T, FELD S, FICHTNER A, et al. Me-VoLTE: network functions for energy-efficient video transcoding at the mobile edge[C]// 2015 18th International Conference on Intelligence in Next Generation Networks (ICIN), Feb 17-19, 2015, Paris, France. Piscataway: IEEE Press, 2015: 38-44.

2.5.4 移動終端對等點之間的計算遷移

架構将部分應用程式遷移到附近的節點執行，遷移方案依據計算能力、相鄰節點的能量級别以及未來可能的互動。（通過分析幾點見的接觸時間分布特性可預測兩個節點可能發生的互動）

具體原理：在遷移前，自動計算新節點上任務的執行時間、能量消耗和節點間未來互動。如果節省了能耗和時間且能在接觸周期内完成，則新節點被确認為任務遷移節點。（遞歸遷移）

模型效率主要有網絡中節點的數量決定。

相關文獻：

1.GAO W. Opportunistic peer-to-peer mobile cloud computing at the tactical edge[C]//Military >Communications Conference (MILCOM), Oct 6-8, 2014, Baltimore, USA. New York: ACM Press, 2014: 1614-1620.

2.5.5 邊緣網頁浏覽加速模型

EAB，移動邊緣計算原型，以加速Web應用程式的執行。在EAB中，邊緣伺服器部署在移動用戶端以及移動端附近的伺服器之間。

原理： 使用者向url發送請求時，伺服器首先在邊緣伺服器上被攔截且被過濾一部分内容。而邊緣伺服器則會對web内容重新布局和呈現。

相關文獻：40 TAKAHASHI N, TANAKA H, KAWAMURA R. Analysis of process

assignment in multi-tier mobile cloud computing and application to

edge accelerated Web browsing[C]// 2015 3rd IEEE International

Conference on Mobile Cloud Computing, Services, and Engineering

(MobileCloud), March 30-April 2, San Francisco, USA. Piscataway: IEEE

Press, 2015: 233-234.

2.5.6 上下文感覺協同實時應用

基于5G技術特性（近距離服務、上下文感覺計算等），通過邊緣伺服器中間件邊緣協作平台來收集使用者的位置資訊，網絡狀況等。此架構應用于道路事故場景和機器人遠端工作場景。（架構的低延時适合為實時場景服務），由于時延和同步是協同計算模型中性能的重要展現，而上述模型具有低延遲時間特性，是以适合于協同計算。

相關文獻：

1.NUNNA S, KOUSARIDAS A, IBRAHIM M, et al. Enabling real-time context-aware collaboration through 5G and mobile edge computing[C]//2015 12th International Conference Information Technology New Generations (ITNG), April 13-14, 2015, Las Vegas, USA. Piscataway: IEEE Press, 2015: 601-605.

2.5.7 CloudAware

CloudAware是一種移動邊緣計算的程式設計模型，應用于開發彈性和可伸縮的移動邊緣計算應用程式。它的主要目的是支援與附近裝置的臨時互動，同時在沒有可用的代理或者用移 動裝置作為回退機制的連接配接終端時，提供一個持續可用的應用程式(?)。

相應的遷移政策：根據時間優化（最小化計算時間？）和網絡連接配接狀态來選擇最優的遷移。

相關文獻：42 ORSINI G, BADE D, LAMERSDORF W. Computing at the mobile edge: designing elastic android applications for computation offloading[C]// Wireless and Mobile Networking Conferrence, Oct 5-7, 2016, Munich, Germany. Piscataway: IEEE Press, 2016: 112-119.

2.6 基于不同優化目的邊緣計算遷移研究

計算遷移政策及算法的優化主要針對能耗，時延，傳輸代價，節點負載等。

相關研究：

1 單使用者MECO系統，通過比較本地計算和優化後的遷移計算的能量消耗來得出最優遷移政策

ZHANG W, WEN Y, GUAN K, et al. Energy-optimal mobile cloud computing under stochastic wireless

channel[J]. Wireless Commun, 2013, 12(9): 4569-4581.

2 基于卷積神經網絡的深度Q網絡的強化學習算法，從使用者過去的資料狀态中學習， 實作能耗優化， （使用者終端在未知情況下的能量消耗優化）

ZHANG C, LIU Z, GU B, et al. A deep reinforcement learning based approach for cost- and energy-aware multi-flow mobile data offloading[J]. IEICE Transactions on Communications, 2018.

3 移動邊緣計算遷移面臨的可擴充性問題，提出輕量級的請求和準入架構來 解決可伸縮性問題，設計了選擇性遷移方案，以最小化裝置的能量消耗。

LYU X C, TIAN H, JIANG L, et al. Selective offloading in mobile edge computing for the green internet of things[J]. IEEE Network, 2018, 32(1): 54-60.

4 研究了一個多使用者的MECO系統，通過将無線和計算資源聯合配置設定來減少遷移時延條件限制下的能量消耗。

STEFANIA S, GESUALDO S, SERGIO B. Joint optimization of radio and computational resources for multicell mobile-edge computing[J]. IEEE Trans on Signal and Information Processing over Networks, 2014, 1(2): 89-103.

5 基于任務負載的門檻值遷移政策。（在中心雲和邊緣雲共存時，雲之間的排程問題）

ZHAO T, ZHOU S, GUO X. A cooperative scheduling scheme of local cloud and internet cloud for

delay-aware mobile cloud computing[C]//IEEE GlobeCOM Workshops, Dec 6-10, 2015, San Diego, USA. Piscataway: IEEE Press, 2015: 1-6.

6 利用博弈論來實作能量和時延的最小化。

CHEN X, JIAO L, LI W. Efficient multi-user computation offloading for mobile-edge cloud computing[J]. IEEE/ACM Transactions on Networking, 2015, 24(5):2795-2808.

7 通過将部分視訊流量解除安裝到Wi-Fi網絡來緩解蜂窩網絡擁塞的軟體定義架構.（公平共享蜂窩網絡資源）

DONGHYEOK H, GIS P, SONG H J. Mobile data offloading system for video streaming services over SDN-enabled wireless networks[J]. ACM Multimedia Systems Conference, 2018: 174-185.

8.權衡遷移時延和可靠性架構（啟發式搜尋，重構線性化技術，半定松弛來實作相關權衡。）

LIU J H, ZHANG Q. Offloading schemes in mobile edge computing for ultra-reliable low latency communication[J]. IEEE Access, 2018(99): 1

9. 遷移算法優化：邊緣基站間的線上計算遷移架構。（最大化邊緣計算系統的性能）

CHEN L X, XU J, ZHOU S. Computation peer offloading in mobile edge computing with energy budgets[C]//GlobeCOM IEEE Global Communications Conference, Dec 4-8, 2018, Singapore. Piscataway: IEEE Press, 2018: 1-6.

10 多流資料遷移的問題，一個終端有多個應用程式需要遷移，将多流資料遷移問題建構為限時空離散時間馬爾可夫決策過程，通過基于動态規劃的算法建立最優政策

ZHANG C, GU B, LIU Z, et al. Cost-and energy-aware multi-flow mobile data offloading using Markov decision process[J]. IEICE Transactions on Communications, 2018.

11 基于激勵的博弈論資料下載下傳架構，實作了納什均衡

MUHAMMAD A, SHAFI U K, RASHID A, et al. Game-theoretic solutions for data offloading in next generation networks[J]. Symmetry Open Access Journal, 2018, 10(8).

12 遷移計算中的使用者隐私安全問題，建議使用智能分區或動态遷移，應預設采用“本地優先”方法，在處理敏感資料時避免使用網絡

REZA R, TIMOTHY J P, RONALD P, et al. NoCloud: exploring network disconnection through on-device data analysis[J]. IEEE Pervasive Computing, 2018, 17(1): 64-74.

13 TDMA多使用者邊緣移動終端計算遷移政策系統 基于移動終端資源受限問題，提出的一種邊緣移動終端計算遷移的資源劃分以及遷移政策模型它面向 LTE應用的、基于時分多址（time division multiple access，TDMA）的多使用者邊緣移動終端遷移政策。 通過将遷移時間T分割為多個時段，再将時段分為多個時隙，使其與使用者一一對應以區分不同位址的使用者信号。（多使用者單邊緣雲）

此時每個時隙包括1.計算遷移或本地計算 2.雲計算以及結果傳回

考慮帶寬和通信品質，權衡計算時延以及終端能耗，利用拉格朗日法求解優化問題，減少疊代次數。

相關文獻

樂光學, 朱友康, 劉建生, 等. 基于拉格朗日的計算遷移能 耗優化政策研究[J]. 電信科學, 2018, 34(12): 10-23. YUE G X, ZHU Y K, LIU J S, et al. Research on optimizing strategy of computing offloading energy consumption based on Lagrangian method[J]. Telecommunications Science, 2018, 34(12): 10-23.

3 移動邊緣計算中的計算遷移面臨的挑戰

移動邊緣計算中的計算遷移面臨着幾個挑戰：如何分割一個應用程式，如判斷任務是否應該被遷移以及如何在使用者地理位置發生變化時同步應用程式。