26604

مهاجرت سرويس ها در محاسبات لبه اي سيار با استفاده از فرآيند تصميم گيري ماركوف

كارشناسي ارشد

مهندسي كامپيوتر

1398

1400/11/30

دكتر رضا انتظاري ملكي

مهندسي كامپيوتر

با پيدايش الگوهاي محاسباتي لبه محور، ظرفيت هاي محاسباتي به منظور پشتيباني از نيازمندي هاي سرويس هاي بي درنگ و پر تقاضا، از مراكز داده اي ابري به سمت لبه شبكه منتقل شده است. از اين رو در مدل هاي محاسبات لبه اي، سرويس دهنده هاي مستقر در لبه شبكه مي توانند ميزبان سرويس هاي مبتني بر ابر، به منظور كاهش سربار شبكه و نيز كاهش تاخير در سرويس هاي كاربران شوند. اما وجود طيف وسيعي از كاربران متحرك در محيطي پويا و غيرقطعي از يك طرف و پوشش محدود سرويس دهنده هاي مستقر در لبه شبكه به همراه محدوديت هاي ذاتي الگوهاي محاسباتي لبه محورِ سيار، از طرفي ديگر، باعث كاهش كارايي، تضعيف كيفيت سرويس به كاربر و وقفه در سرويس هاي ارائه شده در لبه شبكه، مي شود. بنابراين براي دستيابي به يك عملكرد بهتر، مهاجرت سرويس ها بايد با در نظر گرفتن قابليت تحرك كاربر در محيط و تغيير نيازمندي هاي كاربر، انجام شود. از اين رو ما مسئله مهاجرت سرويس‌ها را به عنوان يك فرآيند تصميم‌گيري ماركوف فرموله‌بندي مي‌كنيم تا با در نظر گرفتن اثر افت مسير در شبكه‌هاي محاسبات لبه‌اي سيار بي‌سيم، در مورد زمان و مكان مهاجرت سرويس ميان سرويس دهنده هاي لبه تصميم‌گيري كنيم. سپس، يك روش تكرار ارزش براي حل مسئله فرآيند تصميم‌گيري ماركوف در بين تمام سرويس‌دهنده‌هاي لبه و يافتن سياست مهاجرتي بهينه اتخاذ مي شود. نتايج شبيه‌سازي مزاياي مدل پيشنهادي را در مقايسه با تمامي سياست‌هاي مهاجرتي پايه، با توجه به مجموع هزينه‌هاي تخفيف‌دار، در تمامي سرويس‌دهنده ها، تاييد مي‌كند.

1401/03/23

MDP-based Service Migration in Mobile Edge Computing

2/19/2023 12:00:00 AM

With the advent of edge-centric computing paradigms, computation capabilities have been moved from cloud data centers toward the network edge to support the requirements of highly demanding and real-time services. Hence, servers located on the network edge can host cloud-based services, in edge computing models, to reduce network overhead and latency in user services. However, the existence of a wide range of mobile users in a dynamic and non-deterministic environment on the one hand, and the limited coverage of the servers located on the network edge along with the inherent limitations of mobile edge computing paradigms, on the other hand, lead to performance degradation, poor quality of service and interruptions in services provided at the network edge. In order to achieve better performance, service migration should be done by considering the user's mobility in the environment and varying user requirements. Therefore, We formulate the service migration problem as a Markov decision process (MDP) to decide when and where to migrate the service between edge servers by considering the path loss effect in the wireless MEC networks. Then, a value-iteration method is adopted to solve the MDP problem among all edge servers and find the optimal migration policy. Simulations results verified the advantages of the proposed model in comparison with all baseline migration policies, with respect to the discounted sum cost across all servers.

مهاجرت سرويس , فرآيند تصميم گيري ماركوف , يادگيري تقويتي , محاسبات لبه اي سيار , قابليت تحرك , كيفيت تجربه

Service Migration , Markov Decision Process , Reinforcement Learning , Mobile Edge Computing , Mobility , Quality of Experience

Ali Shamsadini

Dr. Reza Entezari-Maleki