МЕТОДЫ РАСПРЕДЕЛЕНИЯ РЕСУРСОВ КОНЦЕПЦИИ МОБИЛЬНЫХ ГРАНИЧНЫХ ВЫЧИСЛЕНИЙ Текст научной статьи по специальности «Компьютерные и информационные науки»

НАУКОЕМКИЕ ТЕХНОЛОГИИ В КОСМИЧЕСКИХ ИССЛЕДОВАНИЯХ ЗЕМЛИ, Т. 16. № 1-2024

РАДИОТЕХНИКА И СВЯЗЬ Сс1: 10.36724/2409-5419-2024-16-1-4-13

МЕТОДЫ РАСПРЕДЕЛЕНИЯ РЕСУРСОВ КОНЦЕПЦИИ МОБИЛЬНЫХ ГРАНИЧНЫХ ВЫЧИСЛЕНИЙ

ЧИПСАНОВА

Елена Валерьевна1

ЕЛАГИН

Василий Сергеевич2

АННОТАЦИЯ

Введение: в настоящее время существует большое количество приложений, которые требуют больших вычислений, а также им необходимо обладать минимальной задержкой. Эти приложения могут превосходить вычислительные возможности мобильных устройств. Многообещающей технологией для поддержки таких приложений являются мобильные граничные вычисления (MEC). В данной концепции граничные серверы размещаются рядом с мобильными устройствами, что позволяет обеспечить разгрузку вычислений. MEC может существенно увеличить вычислительные мощности мобильных устройств. Однако разгрузка вычислений требует передачи данных с мобильных устройств на пограничные серверы. Это может приводить к дополнительной задержке передачи данных и большему потреблению энергии. В связи с этим встаёт вопрос эффективного распределения ресурсов для концепции мобильных граничных вычислений в телекоммуникационных сетях. Цель работы: главной задачей является ознакомление с актуальными методами, которые позволяют улучшить распределение ресурсов для концепции MEC. Также, среди рассмотренных методов, необходимо выявить наиболее актуальный для современных телекоммуникационных сетей. Был выбран подход анализа, так как он является наиболее приемлемым для поставленных задач. Результат: рассмотрены методы для распределения ресурсов граничных мобильных вычислений, а также выявлен наиболее актуальный метод из представленных.

Сведения об авторах:

1 Аспирант, Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича, Санкт-Петербург, Россия, lenchip@mail.ru

2 к.т.н., Заведующий кафедрой ИКС, Санкт-Петербургский государственный университет телекоммуникаций им. проф.

М. А. Бонч-Бруевича, Санкт-Петербург, КЛЮЧЕВЫЕ СЛОВА: MEC, распределение ресурсов, DRL, JCC, SCA,

poccn^ v.e|agin@sut.ru игра Штакельберга.

Для цитирования: Чипсанова Е.В., Елагин В.С. Методы распределения ресурсов концепции мобильных граничных вычислений // Наукоемкие технологии в космических исследованиях Земли. 2023. Т. 16. № 1. С. 4-13. СЫ: 10.36724/2409-5419-2024-16-1-4-13

Введение

Стремительное развитие индустрии мобильной информации привело к появлению различных мобильных приложений во многих областях [1], например: промышленная автоматизация, здравоохранение, транспорт. Эти приложения часто требуют тяжелых вычислений с требованиями к задержке, которые могут превосходить вычислительные возможности мобильных устройств. Мобильные приложения такого типа, как правило, требовательны к ресурсам, требуют интенсивных вычислений и реагирования в реальном времени [2].

Многообещающей технологией для поддержки таких приложений являются мобильные граничные вычисления (МЕС) [3], которые размещают граничные серверы рядом с мобильными устройствами, чтобы обеспечить разгрузку вычислений. МЕС может существенно увеличить вычислительные мощности мобильных устройств. Однако разгрузка вычислений требует передачи входных данных с мобильных устройств на граничные серверы, что приводит к дополнительной задержке передачи и потреблению энергии [4].

Ограниченная вычислительная мощность на граничных серверах должна быть разделена между несколькими пользователями, что, в свою очередь, может привести к значительному увеличению времени вычислений. Более того, влияние доступных вычислительных и коммуникационных ресурсов в системах МЕС связано, и поэтому важно совместное распределение этих двух ресурсов [5].

В данной обзорной статье заглавной будет считаться проблема эффективности распределения ресурсов концепта МЕС. Будут рассмотрены методы применимые для различных сценариев и технологий, которые позволят решить вышеперечисленные проблемы [6].

Методы распределения ресурсов

DRL

Рассмотрим реализацию МЕС-среды на основе SDN, а именно метод совместного управления коммуникационными и вычислительными ресурсами (Joint Management Method of Communication and Computing Resources) на основе DRL [7].

Коммуникационные и вычислительные ресурсы жизненно важны для загрузки и выполнения вычислительных задач граничными пользователями. Первый тип ресурсов определяет скорость передачи данных и энергопотребление при передаче, последний - ограничивает время вычислений и энергию выполнения задач, загружаемых на сервер МЕС. Правильное распределение ресурсов связи и вычислительных ресурсы в МЕС на основе SDN имеет большое значение для обеспечения качества обслуживания (QoS) услуг мобильных терминалов. Это может снизить нагрузку на сеть и задержку передачи по каналам связи, улучшить возможности распределения услуг и повысить эффективность использования ресурсов. Цель - разумным образом распределить коммуникационные и вычислительные ресурсы между мобильными устройствами, чтобы минимизировать затраты на выполнение задач всех пользователей в системе. Схема совместного распределения ресурсов связи и вычислительных ресурсов на основе DRL показана на рисунке 1.

Рис. 1. Схема совместного распределения ресурсов связи и вычислительных ресурсов на основе БКЬ

Таблица 1

Параметры, используемые для метода БКЬ

Параметр Описание

Dk Вычислительный ресурс, необходимый для выполнения задачи

fi Локальная вычислительная мощность пользователя

Zfc Потребление энергии каждого цикла ЦП (центрального процессора), завершающего задачу

*гт 'k,t Задержка передачи пользователя для передачи входных данных на сервер МЕС

'k,p Задержка обработки сервера МЕС при выполнении задачи

pm Энергопотребление передачи пользователем, передающим входные данные на сервер МЕС

pm Энергопотребление пользователя в процессе работы сервера МЕС

Crnst(s> a) Цена текущего состояния

CcnstOocal) Цена рассчитывается локально

SucR Количество успешно выполненных задач

TREi Время выполнения 1-ой задачи

TRSi Время начала выполнения 1-ой задачи

В таблице 1 указаны параметры, используемые для метода Локальная задержка выполнения задачи:

T¡_Ac 'к - fl Jk

Локальное потребление энергии для выполнения задачи: Elk = Dkzk

Задержка пользователя для загрузки задачи на МЕС-сервер:

т-ш _ т-ш i тт

lk — lk,t^ 1к,р

Энергопотребление пользователя, загружающего задачу на МЕС-сервер:

ГШ _ ГШ I ГШ

пк — к,р

Целью БКЪ является получение наибольшего вознаграждения. Вознаграждение Rimmed.ia.te определяется следующим образом:

Rr

immediate

= 1 -■

t(s,a)

t(local)

Для пользователя, если локальное вычисление не может удовлетворять предельному значению задержки, тогда его задача должна быть выполнена на сервере МЕС.

Среднее время обслуживания - это средняя длительность всех задач в системе от момента генерации до конечного результата выполнения, которая рассчитывается следующим образом:

- TRSi)

AST = ■

SucR

Энергопотребление терминала - энергопотребление мобильного терминала от момента генерации до конечного результата выполнения всех задач в системе. Сюда также входит потребление энергии при локальном выполнении и потребление энергии при передаче данных на граничный сервер.

Для оценки возможности реализации схемы совместного распределения коммуникационных и вычислительных ресурсов на основе БКЪ в качестве показателей оценки эффективности алгоритма выбрано среднее время обслуживания, энергопотребление терминала, скорость выполнения задачи и цена выполнения задачи. Метод совместного распределения коммуникационных и вычислительных ресурсов на основе БКЪ (ОРЬ-ЬА), рассматриваемый в этой статье, сравнивается с МТРСТ, МТЕС и СЬТ.

терминала, скорости выполнения задачи и стоимости выполнения задачи в зависимости от размера вычислительной задачи. При размере задачи 400 Кб DRL-RA по задержке обслуживания ниже, чем МТЕС и CLT, потребление энергии меньше, чем у МТРСТ и CLT, и больше, чем МТЕС, а процент успеха задачи выше, чем у других сравниваемых методов. DRL-RA снижает цену выполнения задачи по сравнению с МТРСТ и МТЕС.

Результаты экспериментов показали, что данный метод, основанный на SDN, имеет более высокий уровень выполнения задач и более низкую цену выполнения задач. Метод совместного управления коммуникационными и вычислительными ресурсами на основе DRL сокращает время обслуживания и балансирует распределение ресурсов.

JCC

Рассмотрим ресурсоэффективную разгрузку вычислений каждого отдельного пользователя, определив оптимальный профиль совместных коммуникационных и вычислительных (joint communication and computation) ресурсов пользователя [8] для экономически выгодных аукционов, чтобы минимизировать занятость ресурсов.

Существует набор беспроводных базовых станций (БС) (например, макросоты, фемтосоты), а также набор мобильных граничных облаков (сервера МЕС), что изображено на рисунке 3. Для БС имеются ортогональные беспроводные подканалы, выделенные для поддержки серверов МЕС по требованию. БС напрямую подключена к ближайшему серверу МЕС. Модель позволяет нескольким близлежащим БС использовать один и тот же сервер МЕС в непосредственной близости.

Рис. 2. Влияние размера задачи на результаты эксперимента

На рисунках 2 (а-г) соответственно показаны изменения средней задержки обслуживания, энергопотребления

Рис. 3. Модель мобильных граничных вычислений

Набор мобильных пользователей желает приобрести сервер МЕС у оператора сети для выполнения ресурсоемких задач. В зависимости от требований приложения к QoS пользователь также имеет максимально допустимое время завершения для своей задачи и обладает ценой, т.е. максимальной суммой, которую пользователь готов заплатить за приобретение сервера МЕС для выполнения своей задачи.

Таблица 2

Параметры, используемые для метода JCC

Параметр Описание

ct Общее количество циклов ЦП (центрального процессора) для выполнения компонента задачи

Fn° Вычислительная мощность (циклы ЦП в секунду) устройства пользователя

Ъ Вычислительная мощность ВМ

Du Объем данных, поступающих из узла ( в узелу

Rn Скорость передачи данных для разгрузки вычислений пользователя

мкМ Общее количество доступных подканалов

МКп) Вычислительная мощность на связанной с пользователем БС и сервере МЕС

В таблице 2 указаны параметры, используемые для метода 1СС.

Пользователь может выполнить задачу либо локально на своем собственном устройстве, либо удаленно на сервере МЕС. Время для выполнения компонента задачи локально:

С;

гтт _ _

го

I п

При использовании облачных вычислений виртуальная машина (ВМ) связывается с пользователем для выполнения задач в сервере МЕС. Чтобы обеспечить гибкость в предоставлении облачных услуг на границе, считаем, что существует набор из различных типов ВМ.

Вычисление времени с помощью облачных вычислений для выполнения компонента задачи на ВМ:

С;

гуС _ _1_

рс

Предположим, что два компонента задачи выполняются в разных местах (один на устройстве пользователя, а другой в облаке мобильной границы). Затем общий объем данных необходимо передать между этими двумя компонентами через беспроводное соединение.

Общее время передачи данных для разгрузки вычислений между компонентами задачи:

Еи

ftx _ lJ 1 ij,n —

Мь

■ +

1к(п) В1(п)

Оценка производительности предлагаемого метода распределения ресурсов JCC по требованию. Для вычислительной задачи рассматриваются два типа приложений — распознавание лиц и распознавание QR-кода, также в них используются графы задач.

Решения, по которым проводится оценка контроля допуска при распределении ресурсов JCC:

1. Оптимальное решение (Optimal Solution) [9]: вычисляется оптимальное решение проблемы контроля допуска, используя метод перекрестной энтропии (Cross Entropy). Оптимальное решение, полученное методом перекрестной энтропии, используется в качестве основы для нормализации системной полезности других решений;

2. «Грубое жадное» решение (Coarse Greedy solution);

3. Случайный выбор (Random Selection): последовательно и случайным образом выбирается новый пользователь для добавления в набор пользователей до тех пор, пока не произойдёт ограничения емкости.

Проведено моделирование с различным количеством пользователей и серверами МЕС, как показано на рисунках 4 и 5 соответственно. В обоих случаях видно, что предлагаемое решение JCC (JCC Solution) обеспечивает повышение производительности как минимум на 34,7% и 88,3% по сравнению с решениями Coarse Greedy и Random Selection соответственно. По сравнению с Optimal Solution видно, что потеря производительности решения JCC составляет не более 14,3%. Это демонстрирует эффективность предлагаемого решения JCC.

Рис. 4. Производительность системы при разном количестве пользователей

Функция занятости ресурса для пользователя - сумма нормализованных коэффициентов занятости пользователя как для коммуникационных, так и для вычислительных ресурсов:

Рис. 5. Производительность системы с разным количеством серверов МЕС

Было исследовано время работы контроля допуска. Результаты показаны на рисунке 6. Видно, что JCC Solution является вычислительно эффективным (со временем работы в несколько миллисекунд) с ускорением до 1000 раз по сравнению с Optimal Solution метода перекрестной энтропии.

Предложенный алгоритм контроля допуска полезен для практической реализации.

помощью облачного сервера (Cloudlet). Сервер подключен к базовой станции (BS), которая обслуживает всех пользователей в соте с использованием дуплексного канала с временным разделением (TDD) по каналу с гладким замиранием частоты. Выгруженное приложение имеет общие входные и выходные данные и вычислительные задачи, которые относятся к компонентам Tracker, Mapper и Object Recognizer. Мобильные приложения AR обладают свойствами совместной работы с точки зрения сбора данных по восходящей линии связи, вычислений на границе сети и доставки данных по нисходящей линии связи.

Рис. 6. Сравнение времени выполнения Optimal Solution и JCC Solution

Был рассмотрен метод совместного распределения ресурсов связи и вычислений (JCC) для оператора сети. Получен оптимальный профиль требований к коммуникационным и вычислительным ресурсам для пользователя, который минимизирует занятость ресурсов и в то же время удовлетворяет допустимому времени завершения задач. Была рассмотрена проблема контроля доступа при распределении ресурсов JCC. Всесторонняя оценка производительности показывает, что предложенный метод может обеспечить высокую производительность для мобильных граничных вычислений по требованию.

SCA

Решается проблема минимизации общих затрат мобильной энергии на разгрузку при ограничениях по задержке в отношении параметров связи и вычислений, учитывая совместный характер приложений AR. Проблема распределения ресурсов решается с помощью метода последовательного выпуклого приближения (Successive Convex Approximation -SCA) [10], [11].

Рассматривается мобильная граничная вычислительная система, показанная на рисунке 7.

Пользователь;

Рис. 7. Выгрузка АЯ-приложения в облако, подключенное к БС

Имеется набор пользователей, которые запускают АЯ-приложение на своих мобильных устройствах (МУ) с

Рис. 8. Пример моделиАЯ-приложения [12]

На рисунке 8 изображена модель AR-приложения. Она включает в себя компоненты Video Source и Renderer, которые необходимо запускать локально на МУ, а также три основных компонента - Mapper, Tracker и Object Recognizer, которые можно выгружать [13].

1. Video Source: получает необработанные видеокадры с мобильной камеры;

2. Tracker: отслеживает положение пользователя относительно окружающей среды;

3. ррег: строит модель окружающей среды;

4. Object Recognizer: идентифицирует объекты в окружающей среде;

5. Renderer: подготавливает обработанные кадры к отображению.

Совместный характер компонентов Tracker, Mapper и Object Recognizer можно использовать для снижения энергопотребления мобильных устройств и задержки разгрузки. Несовместные компоненты также могут выполняться локально, если это снижает энергопотребление.

В таблице 3 указаны параметры, используемые для метода SCA.

1. Uplink transmission (Передача по восходящей линии связи):

Скорость для передачи входных бит пользователя по восходящей линии связи определяется выражением:

Wul ( YkPit1

№) = —Ц i + l^r V к

Энергопотребление мобильной связи при передаче по восходящей линии связи:

+ 1ик1)(В>л+АВ>к)

Таблица 3

Параметры, используемые для метода SCA

Параметр Описание

Wul Пропускная способность восходящей линии связи

К Пользователи

Yk. Коэффициент усиления

pul гк Мощность передачи МУ пользователя

V, Общие циклы ЦП (центрального процессора)

Циклы ЦП для пользователя

fs Доля вычислительной мощности Fc для выполнения Vs, подлежащая оптимизации

Fe Мощность облачного сервера

N„ Спектральная плотность мощности шума в приемнике

R? Скорость передачи входных бит пользователя по восходящей линии связи

V Параметр, указывающий количество энергии, затраченное МУ на извлечение каждого бита выгруженных данных из Video Source

B's.k Раздельные биты

wdl Пропускная способность нисходящей линии связи

pdl Me Мощность передачи БС, выделенная для обслуживания пользователя

lk -

fkFc

Wdl

Rkl(Pkl) = —iog2

dl

1 +

УкП

N0Wdl К

cdlf ndl ndl\ _ ck Vk 'rM ) —

A Bi

Rdl(Pkdl)

+

ndl (pdl\ nM,k^ M J

jdl lk

связи, а также вычисления в Cloudlet разделяются на следующие решения по разгрузке:

1. Совместная облачная обработка, передача по нисходящей линии связи (Shared Processing & Downlink): циклы ЦП и выходные данные используются совместно, а входные биты передаются каждым пользователем индивидуально.

2. Совместная передача по восходящей линии связи (Shared Uplink): совместно используются только входные биты, при этом совместного использования вычислений и передачи по нисходящей линии связи не происходит.

3. Включен результат, полученный при решении невыпуклой задачиР.1.

Как показано на рисунке 9, схема Shared Processing & Downlink обеспечивает экономию энергии около 37% по сравнению с раздельной разгрузкой (Separate Offloading).

4500

Shared Processing Downlink Shared I piir..» S] in: ! ■: 1.',)): i : ^ :1 :> ."ai : ix fa DowillillK GWBJ '[' 1:11/4*11:1 >! (P-l) -

2. oudlet processing (Облачная обработка): Время выполнения общих циклов центрального процессора (ЦП):

5 " fsFc

Время, необходимое для удаленного выполнения циклов ЦП, представляющих интерес для пользователя:

3. Downlink transmission (Передача по нисходящей линии связи):

Выходные биты, предназначенные для каждого пользователя, передаются одноадресно (unicast) по нисходящей линии связи с использованием полосы пропускания со следующей скоростью:

Общее потребление энергии мобильной связи нисходящей линии связи для пользователя:

Рассмотрим результаты использования совместного характера приложений АЯ для мобильных граничных вычислений для минимизации суммарной энергии мобильных устройств, необходимой для разгрузки всех пользователей в условиях ограничений по задержке и мощности.

Сравнивается производительность предложенного метода, в котором передачи по восходящей и нисходящей линии

Рис. 9. Зависимость суммарного энергопотребления от доли г/ общих данных в восходящей и нисходящей линии связи, а также общих циклов ЦП, выполняемых в Cloudlet

Этот выигрыш можно объяснить увеличением времени, доступного для передачи по восходящей линии связи, благодаря более коротким периодам выполнения и передачи по нисходящей линии связи, что снижает соответствующую энергию разгрузки.

При тех же условиях экономия энергии около 50% по сравнению с Separate Offloading, обеспечиваемая Shared Uplink, обусловлена способностью системы регулировать доли общих данных, передаваемых каждым пользователем по восходящей линии связи, в зависимости от текущего состояния канала.

Эти два преимущества в совокупности обеспечивают экономию энергии предложенной схемы общей выгрузки данных по сравнению с общепринятой Separate Offloading, составляющую около 63%.

На рисунке 9 также показано, что в этом примере 8САдает решение, близкое к глобальному оптимуму невыпуклой задачи Р.1.

Игра Штакельберга

Предлагается стратегия распределения вычислительных ресурсов для повышения производительности системы «Умный дом» [14] с МЕС. Архитектура: пользовательское оборудование (UE), точки доступа (АР) и сервера МЕС. АР может агрегировать данные, генерируемые UE, и улучшать граничную обработку, как показано на рисунке 10. На основе игры Штакельберга [15] разрабатывается эффективная стратегия распределения вычислительных ресурсов.

Имеется набор UE, сервер МЕС имеет список предпочтений для всех точек доступа, АР имеет список предпочтений своих пользователей. Количество единиц вычислительных ресурсов, которые могут быть распределены сервером МЕС определены как блок вычислительных ресурсов (CRB). Каждый CRB может предоставлять вычислительные услуги.

Параметр Описание

мк Количество UE, подключенных к АР

л- Скорость поступления рабочей нагрузки

^ Скорость обслуживания каждого CRB

ri Установление цены АР над UE

Рк Цена аренды, по которой АР арендует CRB с серверов

Ск Цена передачи от сервера МЕС к АР

0к Количество CRB, которое требует АР

Pf.Y? Весовые коэффициенты функции полезности UE

tt.h Граница задержки

4i Количество CRB, которое требует UE

Оптимальное количество CRB для UE, чтобы получить максимальную полезность

Q.k Количество CRB, выделенное АР

Сервер МЕС напрямую связывается с точками доступа и распределяет между ними ресурсы. После того как АР приобретет вычислительные ресурсы у сервера, она может принять оптимальное решение о распределении подключенного UE для повышения полезности.

В таблице 4 указаны параметры, используемые для метода Игра Штакельберга.

В игре Шакельберга АР выступает в роли лидера (Leader) [16], прогнозируя цены на обслуживание и необходимое количество CRB для UE. UE действует как последователь (Follower), покупая CRB у АР, зная установленную цену. В течение всего процесса АР может наблюдать за действиями UE и окончательно определять цену услуги.

Полезность АР:

/

мк

W

=1

¿=1

\

\

N

к + ук

* Г-

Pk*Qk

Y?

/

Оптимальная цена для получения максимальной полезности АР, то есть установка цены АР над ЦЕ:

к_П

я

АР может получить оптимальное количество CRB, которое она планирует арендовать с сервера МЕС. Количество CRB, выделенные для АР:

мк

Рис. 10. Архитектура системы

Сервер может выделять ресурсы связанным беспроводным базовым станциям (BS). Каждая BS имеет АР, которая связана с обслуживаемым оборудованием UE. При выполнении задач в режиме реального времени UE может отправлять запросы на АР и выгружать задачи на сервер МЕС через каналы связи после получения ответа от АР.

Таблица 4

Параметры, используемые для метода Игра Штакельберга

Зная количество CRB, которые АР хочет арендовать, сервер МЕС принимает решение о том, как распределить CRB по АР. В зависимости от стоимости аренды и стоимости передачи сервер имеет разные предпочтения перед всеми АР. АР с более высоким предпочтением имеет приоритет в процессе выделения вычислительных ресурсов. Различные расстояния между сервером МЕС и АР влияют на стоимость связи между ними. А полезность сервера МЕС связана с ценой и стоимостью аренды.

Предпочтение сервера МЕС для всех АР можно измерить ценой для связи и ценами на аренду:

k=Pi~ ^

После аренды CRB с сервера МЕС, АР необходимо перераспределить их UE.

Результаты моделирования предложенного метода. Как показано на рисунке 11, схемы, основанные на игре Штакельберга, все время превосходят ситуацию с аукционной игрой. Равновесие Штакельберга гарантирует, что оптимальное количество CRB и цена услуги, выбранные UE, могут максимизировать полезность сервера МЕС.

Рис. 11. Сравнение схем, основанных на игре Штакельберга и аукционной игре

На рисунке 12 показано, что полезность сервера МЕС меняется в зависимости от скорости поступления рабочей нагрузки и скорости обслуживания CRB. Полезность возрастает с ростом рабочей нагрузки. Более высокая скорость рабочей нагрузки приводит к тому, что UE требуется больше CRB для выполнения своих задач, следовательно, сервер может распределить больше CRB и получать более высокую прибыль, пока все CRB не будут распределены. Кроме того, в зависимости от расстояния цена аренды, которую АР платит за сервер МЕС, остается неизменной. Таким образом, доходы, которые получает сервер МЕС, превышают расходы.

Рис. 12. Полезность сервера МЕС

Также, исследовалась зависимость полезности сервера МЕС от увеличивающихся количества доступных CRB, когда в сети развернуто различное количество АР. Когда CRB увеличиваются, сервер МЕС может предоставлять вычислительные услуги для большего количества UE.

Игра Штакельберга предлагается для решения проблемы покупки ресурсов и проблемы ценообразования для АР и решения проблемы распределения вычислительных ресурсов для сервера МЕС и АР.

При максимальной полезности, стратегия распределения может повысить эффективность распределения и гарантировать QoS в реальном времени для UE. Результаты демонстрируют влияние различных параметров, таких как количество CRB и скорость поступления рабочей нагрузки. По сравнению с механизмом распределения, основанным на аукционной игре, предлагаемая структура может обеспечить более высокую полезность для сервера. Сервер МЕС может быть

выгодным. Другими словами, вычислительные ресурсы могут быть распределены оптимально.

Актуальность и применение в перспективных работах

Данные методы были рассмотрены для различных сценариев и технологий, также для каждого метода были поставлены цели разного значения (таблица 5). Все методы оказались эффективными для достижения конкретных целей, а также являются актуальными для решения проблемы распределения ресурсов в настоящее время.

Таблица 5

Технологии/сценарии и цели методов распределения ресурсов

Методология Технология/ Сценарий Цели

DRL (Deep Reinforcement Learning) SDN (Software Defined Network) Сокращение времени обслуживания и балансировка распределения ресурсов

JCC (Joint Communication and Computation) В общем Распределение ресурсов по требованию

SCA (Successive Convex Approximation) AR (Augmented Reality) приложения Снижение энергопотребления при распределении ресурсов

Игра Штакельберга Smart Home Повышение эффективности распределения ресурсов, используя сервер МЕС выгодно

Так, для исследований объединения серверов МЕС для динамического распределения ресурсов, наиболее актуальным методом будет являться метод Игра Штакельберга

В ситуации нехватки ресурсов конкретного сервера МЕС это решение может закупать виртуальные блоки вычислительных ресурсов (CRB) с разных серверов. Однако в этом случае задержка может стать большой, поскольку поставщики услуг предоставляет важные приложения, а также службы для граничных пользователей и устройств 1оТ. Таким образом, приобретение CRB с других ближайших серверов МЕС может облегчить ситуацию. Опять же, приобретение любого количества CRB не является практическим подходом для преодоления пиковой нагрузки, так как дополнительные CRB останутся неиспользованными. Следовательно, сервер МЕС должен определить оптимальное количество CRB, требуемое поставщикам граничных услуг, так как они приобретают CRB из МЕС. Это должно максимизировать использование недоиспользованных граничных ресурсов и сократить время предоставления услуг одновременно.

Заключение

В данной статье были рассмотрены 4 метода: DRL, JCC, SCA, игра Штакельберга.

Каждый метод был применен для конкретных сценариев/технологий - SDN, в общем, AR, Smart Home. Также

была рассмотрена конкретная перспектива применения метода игра Штакельберга.

Перечисленные методы позволяют эффективно распределять ресурсы в сетях, с использованием серверов МЕС, а также являются актуальными в настоящее время.

К наиболее актуальному методу на данный момент можно отнести «Игра Штакельберга», так как данный метод распределения ресурсов может повысить эффективность распределения и гарантировать QoS в реальном времени для пользовательских терминалов. По сравнению с остальными механизмами распределения предлагаемая структура может обеспечить более высокую полезность для сервера. Это может быть выгодно для того, чтобы избежать простоев для оборудования, также вместе с этим предлагается наиболее финансово выгодная перспектива, так как используются элементы сети по назначению, что позволяет прийти к минимуму бездействия.

Литература

1. Khan M.A., Ahmadon M.A. Trends and Challenges in Mobile Edge Computing for the Next Generation Massive Internet of Things II Evolution of Information, Communication and Computing System, 2023, vol. 4, pp. 28-42.

2. Bebortta S., Singh A., Senapati D. Performance analysis of multiaccess edge computing networks for heterogeneous IoT systems II Materials Today: Proceedings, 2022, vol. 58, pp. 267-272.

3. Liang B., Gregory M., Li S. Multi-access Edge Computing fundamentals, services, enablers and challenges: A complete survey II Journal ofNetwork and Computer Applications, 2022, vol. 199.

4. Hu H., Wang P. Computation Offloading Game for Multi-Channel Wireless SensorNetworks II Sensors, 2022, vol. 22, no. 22, p. 8718.

5. Vhora F. A comprehensive survey on mobile edge computing: Challenges, tools, applications IIICCMC, 2020, no. 6, pp. 1-6.

6. Liu H., Long X., Li Z., Long S., Ran R. Joint Optimization of Request Assignment and Computing Resource Allocation in Multi-Access Edge Computing II IEEE Transactions on Services Computing, 2023, vol. 16, no. 2, pp. 1254-1267.

7. Li C., Zhang Y., Luo Y. Deep reinforcement learning-based resource allocation and seamless handover in multi-access edge computing based on SDN II Knowledge and Information Systems, 2021, no. 63, pp. 24792511.

8. Chen X. Efficient resource allocation for on-demand mobile-edge cloud computing II IEEE Transactions on Vehicular Technology, 2018, no. 67, pp. 2-12.

9. Inage S., Hebishima H. Application of Monte Carlo stochastic optimization (MOST) to deep learning II Mathematics and Computers in Simulation, 2022, vol. 199, pp. 257-271.

10. Al-Shuwaili A., Simeone O. Energy-Efficient Resource Allocation for Mobile Edge Computing-Based Augmented Reality Applications II IEEE Wireless Communications Letters, June 2017, vol. 6, no. 3,pp. 398401.

11. Chen Y., Li C., Hu Y., Lu Z. A parallel non-convex approximation framework for risk parity portfolio design II Parallel Computing, 2023, vol. 116.

12. Yoo S., Jeong S., Kim J., Kang J. Cache-assisted Mobile Edge Computing over Space-Air-Ground Integrated Networks for Extended Reality Applications II arXiv, 2023.

13. BohezS., Turck J. D., Verbelen T., SimoensP., DhoedtB. Mobile, Collaborative Augmented Reality Using Cloudlets II International Conference on MOBILe Wireless MiddleWARE, Operating Systems, and Applications, 2013, pp. 45-54.

14. Badar A.Q.H., Anvari-Moghaddam A. Smart Home Energy Management System - A Review //Advances in Building Energy Research, 2022, no. 16,pp. 118-143.

15. Guo S. Mobile edge computing resource allocation: A joint Stackelberg game and matching strategy II International Journal of Distributed SensorNetworks, 2019, vol. 15.

16. Stein A., Salvioli M., Garjani H., Dubbeldam J., Viossat Y. Stackelberg evolutionary game theory: how to manage evolving systems II Phil. Trans. R. Soc. B, 2023.

RESOURCE ALLOCATION METHODS OF MOBILE EDGE COMPUTING CONCEPT

ELENA V. CHIPSANOVA

St. Petersburg, Russia, enchip@mail.ru

VASILY S. ELAGIN

St. Petersburg, Russia, v.elagin@spbgut.ru

KEYWORDS: MEC, resource allocation, DRL, JCC, SCA, Stackelberg game

ABSTRACT

Introduction: Nowadays, there are a large number of applications that are computationally intensive and also need to have minimal latency. These applications can exceed the computing capabilities of mobile devices. A promising technology to support such applications is mobile edge computing (MEC). In this concept, edge servers are placed close to mobile devices to provide computational offloading. MEC can significantly increase the computing power of mobile devices. However, computation offloading requires data transfer from mobile devices to edge servers. This may result in additional data transmission delay and higher power

consumption. In this regard, the issue of efficient resource allocation for the concept of mobile edge computing in telecommunication networks arises. Purpose of the work: the main objective is to familiarize with current methods that can improve resource allocation for the MEC concept. Also, among the methods considered, it is necessary to identify the most relevant for modern telecommunication networks. The analysis approach was chosen because it is the most suitable for the tasks at hand. Result: methods for resource allocation in mobile edge computing concept are considered, and the most relevant method among those presented is identified.

REFERENCES

1. Khan M. A., Ahmadon M. A. Trends and Challenges in Mobile Edge Computing for the Next Generation Massive Internet of Things. Evolution of Information, Communication and Computing System, 2023, vol. 4, pp. 28-42.

2. Bebortta S., Singh A., Senapati D. Performance analysis of multi-access edge computing networks for heterogeneous loT systems. Materials Today: Proceedings, 2022, vol. 58, pp. 267-272.

3.Liang B., Gregory M., Li S. Multi-access Edge Computing fundamentals, services, enablers and challenges: A complete survey. Journal of Network and Computer Applications, 2022, vol. 199.

4. Hu H., Wang P. Computation Offloading Game for MultiChannel Wireless Sensor Networks. Sensors, 2022, vol. 22, no. 22, p. 8718.

5. Vhora F. A comprehensive survey on mobile edge computing: Challenges, tools, applications. ICCMC, 2020, no. 6, pp. 1-6.

6. Liu H., Long X., Li Z., Long S., Ran R. Joint Optimization of Request Assignment and Computing Resource Allocation in MultiAccess Edge Computing. IEEE Transactions on Services Computing, 2023, vol. 16, no. 2, pp. 1254-1267.

7. Li C., ZhangY., Luo Y. Deep reinforcement learning-based resource allocation and seamless handover in multi-access edge computing based on SDN. Knowledge and Information Systems, 2021, no. 63, pp. 2479-2511.

8. Chen X. Efficient resource allocation for on-demand mobile-edge cloud computing. IEEE Transactions on Vehicular Technology, 2018, no. 67, pp. 2-12.

9. Inage S., Hebishima H. Application of Monte Carlo stochastic optimization (MOST) to deep learning. Mathematics and Computers in Simulation, 2022, vol. 199, pp. 257-271.

10. Al-Shuwaili A., Simeone O. Energy-Efficient Resource Allocation for Mobile Edge Computing-Based Augmented Reality Applications. IEEE Wireless Communications Letters, June 2017, vol. 6, no. 3, pp. 398-401.

11. Chen Y., Li C., Hu Y., Lu Z. A parallel non-convex approximation framework for risk parity portfolio design. Parallel Computing, 2023, vol. 116.

12. Yoo S., Jecng S., Kim J., Kang J. Cache-assisted Mobile Edge Computing over Space-Air-Ground Integrated Networks for Extended Reality Applications. arXiv, 2023.

13. Bohez S., Turck J. D., Verbelen T., Simoens P., Dhoedt B. Mobile, Collaborative Augmented Reality Using Cloudlets. International Conference on MOBILe Wireless MiddleWARE, Operating Systems, and Applications, 2013, pp. 45-54.

14. Badar A. Q.H., Anvari-Moghaddam A Smart Home Energy Management System - A Review. Advances in Building Energy Research, 2022, no. 16, pp. 118-143.

15. Guo S. Mobile edge computing resource allocation: A joint Stackelberg game and matching strategy. International Journal of Distributed Sensor Networks, 2019, vol. 15.

16. Stein A., Salvioli M., Garjani H., Dubbeldam J., Viossat Y. Stackelberg evolutionary game theory: how to manage evolving systems. Phil. Trans. R. Soc. B, 2023.

INFORMATION ABOUT AUTHOR:

Elena V. Chipsanova, Graduate student, The Bonch-Bruevich Saint-Petersburg State University of Telecommunications

Vasily S. Elagin, Head of the Department of Infocommunication Systems, The Bonch-Bruevich Saint-Petersburg State University of

Telecommunications

For citation: Chipsanova E.V., Elagin V.S. Resource allocation methods of Mobile Edge Computing concept. H&ES Reserch. 2024. Vol. 16. No. 1. P. 4-13. doi: 10.36724/2409-5419-2024-16-1-4-13 (In Rus)