IoT Application Modules Placement and Dynamic Task Processing in Edge-Cloud Computing

• 场景：云边协同，复杂且延迟敏感度低的任务卸载到中心云端进行处理，简单且延迟敏感度高的任务卸载到边缘云端进行处理

• 这篇论文考虑了两个问题：

  1. 物联网设备提交的任务应该交由哪个应用模块来执行 -> 动态的启发式任务处理算法
  2. 应用模块应该部署在哪个机器上 -> 改进的离散粒子群优化算法
  • 考虑的因素是延迟和能耗

• 这篇论文通过使用 “矩阵” 的方式来描述应用程序模块和雾设备之间的放置关系。

IoT Application Modules Placement and Dynamic Task Processing in Edge-Cloud Computing

Introduction

• 对于 IoT 设备，中心云端计算需要面对以下问题：海量数据处理、有限的网络带宽、能耗负载、高任务处理延迟。为了较好地应对上述问题，提出用边缘节点来分担中心云端地任务负载，复杂且延迟敏感度低的任务卸载到中心云端进行处理，简单且延迟敏感度高的任务卸载到边缘云端进行处理。
• 在这种云边协同场景下，如何确定服务该部署在哪个机器上，IoT 设备提交的任务该交由哪个服务执行是需要考虑的，本文主要就是要解决这两个问题。
  • 考虑的因素是延迟和能耗。

Problem Formulation

System architecture

• 云边协同的系统架构图如上图所示。主要有四部分组成：cloud server、 edge node layer Ⅱ、 edge node layer Ⅰ、 IoT device layer。

  • IoT 设备将任务提交给与其直接关联的边缘服务器（edge node layer Ⅰ），edge node layer Ⅰ 中的边缘服务器会决定是将任务放在本地执行，还是交由同一层的邻居边缘服务器执行。
  • 等任务处理完后，数据结果会被上传到 edge node layer Ⅱ。
  • 等到所有任务处理完后，任务会返回给对应的 IoT 设备。
  • 对于那些处理量大，延迟敏感度低的任务，会被直接上传给 cloud server 进行执行。

• 具体建模包括：

  • 计算资源节点集合
    • 每个节点
      • 计算能力
      • 计算能耗
  • 计算资源节点之间的联系
    • 每条边
      • 带宽

Energy Model

• 这篇论文关注的能耗包括云服务器的能耗和边缘服务器的能耗。

• 当没有任务在服务器上执行时，只有静态能耗。当任务在服务器上执行时，的能耗为。

  这篇论文对服务器的能耗的计算是按阶段来划分的，当服务器的使用率变化了，会将服务器这个阶段内的能耗记录下来，然后累计计算服务器下个阶段内的能耗：

  • 表示服务器下个阶段的能耗
  • 表示服务器当前累计的能耗
  • 表示当前系统时间
  • 表示之前的系统时间
  • 表示任务处理带来的服务器能耗的增加，，表示服务器的利用率

• 数据传输的能耗

  • 表示数据传输量
  • 表示和之间单位时间内传输数据的能耗

Application Module

• 以两个常见的应用为例：城市安全领域的视频监控和智能医疗领域的血压监测。
• 城市安全领域的视频监控可以分为以下几个模块：
  • Camera（摄像头）
  • Motion detector（运动检测器）
  • Object detector（物体检测器）
  • Object tracker（物体跟踪器）
  • Ptz control（云台控制）
  • User interface（用户界面）

• 智能医疗领域的血压监测
  • Blood pressure monitor（血压监测器）
  • Patient client（患者客户端）
  • Data analyzer（数据分析器）
  • Diagnostic module（诊断模块）
  • Client terminal（客户端终端）

• 可以看到，整个应用程序分为初始任务传输、中间任务处理和结束任务接收三个阶段，对应有不同的模块。

Proposed Algorithm

Dynamic Task Processing Algorithm

• 任务处理不是关注的重点，具体看论文

IoT Application Module Modulement

• 本文采用的是改进后的离散粒子群优化算法来对应用模块进行部署。

• 假设 IoT 应用有

  • 每个应用有多个服务模块：

  计算资源节点集合为

• 我们要解决的是服务模块和计算资源节点集合之间的部署映射关系。考虑到 PSO 算法的核心公式：

  将表示为 N*M 的矩阵：

  • 表示第 i 个服务模块部署在第 j 个计算资源节点上的百分比概率，取值范围 [0, 100]

  将表示为 N*M 的矩阵：

  • 表示第 i 个服务模块是否部署在第 j 个计算资源节点上，$x_k^t(s_i,r_j) = \left{\right.$

• 粒子的适应值函数，这个适应值函数针对的就是能耗因素

• 这篇论文关于服务放置方面的算法主要关注于能耗，对于低延迟的满足好像主要是在 dynamic task processing algorithm 中实现的。

  

Experimental Results and Analysis

• 这篇论文并没有使用 baseline，而是以有无使用动态任务处理算法、有无使用优化后的离散粒子群算法作为比较组。