علوم رایانشی

علوم رایانشی

مدیریت منابع ناهمگن برای بارکاری لبه موبایل بیدرنگ با رو یکرد نظریه بازی مبتنی بر تحرک برای مدیریت کارآمد انرژی

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف، تهران، ایران
2 استادیار، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف، تهران، ایران
3 استادیار، پژوهشکده دانش های بنیادی . پژوهشکده علوم کامپیوتر، تهران، ایران
10.22034/csj.2024.197223
چکیده
در سال‌های اخیر، محاسبات لبه موبایل[1] به‌عنوان یک راه‌حل مناسب برای پشتیبانی از برنامه‌های کاربردی مهم در راستای بهبود تأخیر، بهبود کیفیت خدمات و تضمین در دسترس بودن منابع در شبکه‌های نسل بعدی ظهور کرده است. بااین‌حال، تغییرات هم‌بندی لبه پویا ناشی از تحرک گره، چالش‌های مدیریت منابع قابل‌توجهی را ایجاد می‌کند. رویکردهای موجود معمولاً به کنترل متمرکز یا زیرساخت‌های ایستا متکی هستند. این مقاله یک الگوریتم مبتنی بر نظریه بازی و حرکت لوی[2] را برای تخصیص آگاه از دسترس‌پذیری و توزیع‌شده منابع در سامانه‌های لبه موبایل پیشنهاد می‌کند که از برنامه‌های اینترنت اشیاء بی‌درنگ پشتیبانی می‌کنند. الگوریتم پیشنهادی که از حرکت لوی الگو می‌گیرد، حرکات گره لبه را مدل می‌کند. در هر شکاف زمانی، گره‌ها با همسایگان از طریق چانه‌زنی محلی بر اساس پیشنهادها و پاسخ‌های موقت، مذاکره می‌کنند. این هماهنگی توزیع‌شده واقع‌بینانه بدون ساماندهی متمرکز را تقلید می‌کند. شبیه‌سازی‌های انجام‌شده، الگوریتم را در شدت‌های بارکاری و چگالی گره‌های مختلف ارزیابی می‌کنند. نتایج نشان می‌دهد نسبت پذیرش وظیفه به‌طور قابل‌توجهی بیشتر از 4 % در مقایسه با مدل‌های لبه ایستا و ابر، با کاهش تأخیر حداقل ۶ % و صرفه‌جویی در انرژی حداقل ۲۲ % ایجاد کرده است.
 

1Mobile Edge Computing
2Lévy walk
کلیدواژه‌ها
موضوعات

[۱]
L. A. Haibeh, M. C. E. Yagoub and A. Jarray, "A Survey on Mobile Edge Computing Infrastructure: Design, Resource Management, and Optimization Approaches," in IEEE Access, vol. 10, pp. 27591-27610, 2022.
[۲]
S. Douch, M. R. Abid, K. Zine-Dine, D. Bouzidi and D. Benhaddou, "Edge Computing Technology Enablers: A Systematic Lecture Study," in IEEE Access, vol. 10, pp. 69264-69302, 2022.
[۳]
F. Al-Doghman, N. Moustafa, I. Khalil, N. Sohrabi, Z. Tari and A. Y. Zomaya, "AI-Enabled Secure Microservices in Edge Computing: Opportunities and Challenges," in IEEE TSC, vol. 16, no. 2, pp. 1485-1504, 1 March-April 2023.
[۴]
S. Yang, Z. Su, Q. Xu, R. Xing and D. Fang, "Task Allocation Optimization Strategy in UAV-enabled Mobile Edge Computing System," 2023 IEEE (MetaCom), Kyoto, Japan, 2023, pp. 338-344.
[۵]
J. Moura and D. Hutchison, "Game Theory for Multi-Access Edge Computing: Survey, Use Cases, and Future Trends," in IEEE Communications Surveys & Tutorials, vol. 21, no. 1, pp. 260-288, Firstquarter 2019.
[۶]
S. Arisdakessian, O. A. Wahab, A. Mourad, H. Otrok and N. Kara, "FoGMatch: An Intelligent Multi-Criteria IoT-Fog Scheduling Approach Using Game Theory," in IEEE/ACM TN, vol. 28, no. 4, pp. 1779-1789, Aug. 2020.
[۷]
H. Lu, G. Xu, C. W. Sung, S. Mostafa and Y. Wu, "A Game Theoretical Balancing Approach for Offloaded Tasks in Edge Datacenters," 2022 IEEE 42nd Int. Conf. Dist. Com. Sys. (ICDCS), Bologna, Italy, 2022, pp. 526-536.
[۸]
Liqing Liu, Zheng Chang, Xijuan Guo and T. Ristaniemi, "Multi-objective optimization for computation offloading in mobile-edge computing," 2017 (ISCC), Heraklion, Greece, 2017, pp. 832-837.
[۹]
M. A. Hassan, M. Xiao, Q. Wei, and S. Chen, ‘‘Help your mobile applications with fog computing,’’ in Proc. 12th Annu. IEEE Int. Conf. Sens., Commun., Netw.-Workshops (SECON Workshops), Jun. 2015, pp. 1–6
[۱۰]
Rukmani Panjanathan and Ganesan Ramachandran, "Enhanced low latency queuing algorithm with active queue management for multimedia applications in wireless networks", International Journal of High Performance Computing and Networking, vol. 10, no. 1-2, pp. 23-33, 2017
[۱۱]
Jie Zhang, Guangjie Han and Yujie Qian, "Queuing theory based co-channel interference analysis approach for high-density wireless local area networks", Sensors, vol. 16, no. 9, 2016.
[۱۲]
S. Kim, "Bargaining Game Based Offloading Service Algorithm for Edge-Assisted Distributed Computing Model," in IEEE Access, vol. 10, pp. 63648-63657, 2022.
[۱۳]
W. Duan, X. Gu, M. Wen, Y. Ji, J. Ge and G. Zhang, "Resource Management for Intelligent Vehicular Edge Computing Networks," in IEEE TITS, vol. 23, no. 7, pp. 9797-9808, July 2022.
[۱۴]
T. Bahreini, M. Brocanelli and D. Grosu, "VECMAN: A Framework for Energy-Aware Resource Management in Vehicular Edge Computing Systems," in IEEE TMC, vol. 22, no. 2, pp. 1231-1245, 1 Feb. 2023.
[۱۵]
A. Shakarami, M. Ghobaei-Arani, and A. Shahidinejad, “A survey on the computation offloading approaches in mobile edge computing: A machine learning-based perspective,” Computer Networks, vol. 182, p. 107496, Dec. 2020.
[۱۶]
A. Shakarami, A. Shahidinejad, and M. Ghobaei‐Arani, “A review on the computation offloading approaches in mobile edge computing: A game-theoretic perspective,” Software: Practice and Experience, vol. 50, no. 9, pp. 1719–1759, Apr. 2020.
[۱۷]
O. Kolosov, G. Yadgar, D. Breitgand and D. H. Lorenz, "PASE: Pro-Active Service Embedding in the Mobile Edge," 2023 IEEE 43rd International Conference on Distributed Computing Systems (ICDCS), Hong Kong, Hong Kong, 2023, pp. 1-11.
[۱۸]
Y. Chen, J. Zhao, J. Hu, S. Wan, and J. Huang, “Distributed Task Offloading and Resource Purchasing in NOMA-enabled Mobile Edge Computing: Hierarchical Game Theoretical Approaches,” ACM Transactions in Embedded Computing Systems, May 2023.
[۱۹]
Minh Hai Vu et al., “An Empirical Study of MPQUIC Schedulers in Mobile Wireless Networks,” Dec. 2022.
[۲۰]
W. Zhou et al., "Priority-Aware Resource Scheduling for UAV-Mounted Mobile Edge Computing Networks," in IEEE Transactions on Vehicular Technology, vol. 72, no. 7, pp. 9682-9687, July 2023.
[۲۱]
A. Islam and M. Ghose, “ELITE: Energy and Latency-Optimized Task Offloading for DVFS-Enabled Resource-Constrained Devices in MEC,” Lecture Notes in Computer Science, pp. 50–67, Jan. 2024.
[22]
A. Younesi, M. A. Fazli, and A. Ejlali, “A Novel Levy Walk-based Framework for Scheduling Power-intensive Mobile Edge Computing Tasks,” Research Square (Research Square), Mar. 2024.