《Mathematics》:Real-Time Task Offloading with Replication Under Node Churn in Volunteer Edge Computing
编辑推荐:
能量效率是电池供电物联网设备的主要设计目标。虽然将计算密集型任务卸载到边缘服务器已被广泛研究以缓解功耗问题,但商业边缘服务的长期财务成本却较少受到关注。本文提出Volunteer Edge,一种成本有效的实时任务卸载框架,利用私有管理节点中未充分利用的计算资源
能量效率是电池供电物联网设备的主要设计目标。虽然将计算密集型任务卸载到边缘服务器已被广泛研究以缓解功耗问题,但商业边缘服务的长期财务成本却较少受到关注。本文提出Volunteer Edge,一种成本有效的实时任务卸载框架,利用私有管理节点中未充分利用的计算资源来执行卸载的工作负载。与传统公共边缘服务器不同,志愿边缘节点提供廉价的计算资源,但面临不可预测的节点流失。为应对这一挑战,研究人员提出一种双类任务模型,将工作负载划分为关键任务和正常任务,并选择性地对志愿边缘节点应用任务复制。该框架使用稳态遗传算法联合优化任务放置、处理器频率缩放和复制决策,以在满足可调度性和可靠性约束的同时,最小化任务执行成本和物联网设备能耗。大量仿真表明,Volunteer Edge显著降低卸载成本,同时保持物联网设备的能效并保护关键任务免受志愿节点故障影响。具体而言,与传统基于公共边缘的卸载相比,所提框架平均降低边缘租赁成本54.0%,同时保持关键实时任务的可靠执行。
随着移动边缘计算的普及,资源受限的物联网(Internet of Things,IoT)设备可通过卸载将计算密集型任务交给边缘服务器,以降低自身能耗并满足时限要求。然而,已有研究大多假设边缘资源由云服务商运营的公共基础设施提供,且多聚焦于能耗优化与截止时间满足,较少考虑商业边缘服务长期租赁的财务成本。与此同时,高校、研究机构和本地企业拥有大量为峰值需求维护却长期处于低利用率状态的计算节点,这些闲置资源可构成低成本的志愿边缘(Volunteer Edge)计算池。志愿边缘节点具有明显成本优势,但因其独立管理、松散耦合,节点可能随时加入或离开,形成不可预测的节点流失(node churn),直接影响实时任务的截止时间满足。针对这一矛盾,该研究在《Mathematics》上提出Volunteer Edge框架,将任务分为关键任务(critical task)与正常任务(normal task),对关键任务采用多副本冗余卸载以容忍节点流失,对正常任务采用单节点卸载以降低成本;同时联合优化任务放置、动态电压频率缩放(Dynamic Voltage and Frequency Scaling,DVFS)和复制决策,在满足可调度性与可靠性约束下最小化任务执行成本和IoT设备能耗。仿真结果表明,Volunteer Edge在平均边缘租赁成本上比传统公共边缘卸载降低54.0%,比联合能量优化方案降低42.2%,且在5%节点故障率下关键任务截止时间错失率仍低于0.002。该研究的重要意义在于打破实时卸载必须依赖可靠公共边缘基础设施的假设,证明不可靠但低成本的志愿边缘资源通过选择性复制可成为可行的实时IoT任务执行平台。
研究方法上,研究人员构建了包含本地IoT设备、公共边缘服务器和志愿边缘节点的三层系统模型。任务模型采用双类任务划分,并给出本地处理器利用率约束、远程任务截止时间约束、财务成本模型、能耗模型以及基于代表性独立故障概率的可靠性模型。优化问题采用稳态遗传算法(steady-state genetic algorithm)求解:关键任务染色体由频率字符串、执行位置字符串和志愿者节点指派矩阵组成,正常任务染色体仅含频率字符串与位置字符串;适应度函数为优化目标的倒数,并加入本地CPU过载、边缘截止时间违例和可靠性违例三类惩罚项;采用基于秩的选择、单点交叉和变异操作,并以最大与平均适应度的双收敛判据终止。仿真使用合成实时任务集,公共边缘定价参考AWS EC2实例,志愿边缘节点参考NVIDIA Jetson AGX Orin硬件平台,任务负载范围为0.2至0.9,节点故障率范围为1%至5%。
研究结果如下。
**边缘资源租赁成本**:通过模拟约一个月的任务负载执行,Volunteer Edge在所有负载水平下均获得最低运营成本;与Offloading(仅优化卸载位置)和Co-TOMS(联合优化本地频率与公共边缘卸载)相比,平均降低54.0%和42.2%。
**IoT设备能耗**:以Baseline在负载0.9下的能耗为1.0归一化后,Volunteer Edge与Co-TOMS能耗曲线相近;平均比Baseline、DVFS和Offloading分别降低62.5%、51.4%和29.9%。轻负载下网络通信能耗仅占CPU能耗的约2%至6%,重负载下升至约36%至45%。
**本地处理器利用率**:Volunteer Edge、Co-TOMS和DVFS在低负载时利用率较低,因为最低处理器频率即可完成任务;负载增加后通过DVFS尽量降低频率并保持高利用率,说明框架能有效利用本地松弛时间并抑制处理器空闲周期。
**任务卸载比例**:所有方案中关键任务和正常任务的卸载比例均随负载增加;Volunteer Edge比Co-TOMS卸载更多正常任务,但关键任务卸载比例略低,原因是关键任务需要多副本复制,执行成本更高,因此优化过程对其卸载决策更保守。
**截止时间错失率**:在1%至5%节点故障率下,正常任务的最大截止时间错失率低于0.042;关键任务即使在5%故障率和负载0.9的最不利条件下,错失率仍约为0.002,验证了冗余复制机制对志愿节点流失的屏蔽作用。
相关工作对比与讨论部分指出,已有能耗感知、时延感知、可靠性感知及学习型卸载研究多面向受管边缘或云基础设施,未充分关注志愿边缘节点不可预测离开带来的可靠性问题,也没有针对关键实时任务的选择性复制。本工作通过双类任务模型与选择性复制填补了该空白。研究结论部分翻译如下:本文提出了Volunteer Edge,一种成本有效且容忍节点流失的实时任务卸载框架。传统实时卸载范式严重依赖可靠但昂贵的公共边缘基础设施,而该框架将执行层转向低利用率、松散耦合的志愿边缘节点,以降低边缘计算运营成本。为弥补志愿节点流失造成的可靠性缺口,本文引入双类任务模型,将工作负载分为关键任务和正常任务。通过稳态遗传算法,该框架同时联合优化多层任务放置、CPU DVFS配置和随机复制策略。关键任务被选择性地在多个志愿节点上复制,以大幅降低有效失效概率;正常任务则分配至单一志愿节点以最大化成本节约。大量仿真验证了Volunteer Edge将累计边缘资源租赁成本平均降低54.0%(相对于公共边缘卸载)和42.2%(相对于联合能量优化方案),同时在5%节点故障条件下使关键任务截止时间错失率保持在0.002以下。未来工作可研究节点故障后的在线任务重优化、长期在线节点重分配策略,以及面向大规模志愿边缘环境的分层节点聚类和候选过滤机制。