Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
DoME: Thực thi vi dịch vụ dựa trên điện toán sương mù trong biên di động sử dụng Q-learning
Tóm tắt
Cách tiếp cận vi dịch vụ đã mở ra một cửa sổ mới về kiến trúc phân phối dựa trên dịch vụ trong tầm nhìn tính toán. Việc điều phối vi dịch vụ một cách đa dạng và phân tán giữa các nút điện toán biên khác nhau với độ trễ tối thiểu là thách thức chính mà nghiên cứu này quan tâm. Việc di chuyển dịch vụ đến các vị trí có lợi trong điều kiện phải xử lý dữ liệu lớn phụ thuộc vào băng thông và kết nối internet. Bài báo này đề xuất một cơ chế Thực thi Vi Dịch Vụ Dựa Trên Điện Toán Sương Mù (DoME) sử dụng học tăng cường để giảm thiểu độ trễ toàn bộ của dịch vụ và cung cấp các phản hồi liên tục và theo thời gian thực với chi phí tối ưu. Khi có kết nối internet, DoME lựa chọn máy chủ biên để di chuyển dịch vụ trong trường hợp khẩn cấp. Trong trường hợp kết nối internet không ổn định, việc thực thi dịch vụ diễn ra tại máy chủ sương của khuôn khổ điện toán sương mù mới. Nghiên cứu này giả lập phương pháp Q-learning để hiểu rõ khuôn khổ điện toán sương-biên-cloud và phát triển thuật toán Dew-Q nhằm thực thi vi dịch vụ trong khi vận động mà không cần kết nối internet liên tục. Thuật toán Dew-Q sử dụng một tác nhân thông minh tiếp thu từ dữ liệu lịch sử để dự đoán việc lựa chọn nút di chuyển dịch vụ với kết nối hỗ trợ. Cơ chế được đề xuất đã được so sánh với các chính sách thực thi vi dịch vụ hiện có như các cơ chế FWS và SDGA. Các đánh giá hiệu suất cho thấy rằng cơ chế DoME vượt trội 41% đến 68% so với FWS và 12% đến 86% so với SDGA về chi phí thực thi và di chuyển. Cơ chế được đề xuất kiểm soát động việc thực thi vi dịch vụ từ góc độ di chuyển và tính kịp thời trong điều kiện kết nối internet không ổn định.
Từ khóa
#vi dịch vụ #điện toán sương mù #học tăng cường #kết nối internet #thực thi dịch vụTài liệu tham khảo
Bhamare D, Samaka M, Erbad A, Jain R, Gupta L, Chan HA (2017) Multi-objective scheduling of micro-services for optimal service function chains. In: 2017 IEEE international conference on communications (ICC), IEEE. pp. 1–6
Jin W, Liu T, Cai Y, Kazman R, Mo R, Zheng Q (2019) Service candidate identification from monolithic systems based on execution traces. IEEE Trans Softw Eng 47(5):987–1007
Niu Y, Liu F, Li Z (2018) Load balancing across microservices. In: IEEE INFOCOM 2018-IEEE Conference on Computer Communications, IEEE. pp. 198–206
Li J, Shen X, Chen L, Van DP, Jiannan O, Wosinska L, Chen J (2019) Service migration in fog computing enabled cellular networks to support real-time vehicular communications. IEEE Access 7:13704–13714
Wang S, Guo Y, Zhang N, Yang P, Zhou A, Shen XS (2019) Delay-aware microservice coordination in mobile edge computing: A reinforcement learning approach. IEEE Trans Mob Comput 20(3):939–951
Deng J, Li B, Wang J, Zhao Y (2021) Microservice Pre-Deployment Based on Mobility Prediction and Service Composition in Edge. In: 2021 IEEE International Conference on Web Services (ICWS), IEEE. pp. 569–578
Wang Y, Zhao C, Yang S, Ren X, Wang L, Zhao P, Yang X (2020) Mpcsm: microservice placement for edge-cloud collaborative smart manufacturing. IEEE Trans Industr Inform 17(9):5898–5908
Cao S, Wang Y, Xu C (2017) Service migrations in the cloud for mobile accesses: A reinforcement learning approach. In: 2017 International Conference on Networking, Architecture, and Storage (NAS), IEEE. pp. 1–10
Wang Y, Pan Y (2015) Cloud-dew architecture: realizing the potential of distributed database systems in unreliable networks. WorldComp
Wang Y (2016) Definition and categorization of dew computing. Open J Cloud Comput (OJCC) 3(1):1–7
Wang Y, Leblanc D (2016) "Integrating SaaS and SaaP with dew computing. In: 2016 IEEE International Conferences on Big Data and Cloud Computing (BDCloud), Social Computing and Networking (SocialCom), Sustainable Computing and Communications (SustainCom)(BDCloud-SocialCom-SustainCom), IEEE. pp. 590–594
Rindos A, Wang Y (2016) Dew computing: The complementary piece of cloud computing. In: 2016 IEEE International Conferences on Big Data and Cloud Computing (BDCloud), Social Computing and Networking (SocialCom), Sustainable Computing and Communications (SustainCom)(BDCloud-SocialCom-SustainCom), IEEE. pp. 15–20
Zhou Y, Zhang D, Xiong N (2017) Post-cloud computing paradigms: a survey and comparison. Tsinghua Sci Technol 22(6):714–732
Roy A, Midya S, Majumder K, Phadikar S (2020) Distributed resource management in dew based edge to cloud computing ecosystem: a hybrid adaptive evolutionary approach. Trans Emerg Telecommun Technol 31(8):e4018
Roy S, Sarkar D, De D (2021) DewMusic: crowdsourcing-based internet of music things in dew computing paradigm. J Ambient Intell Humaniz Comput 12(2):2103–2119
Zou G, Qin Z, Deng S, Li K-C, Gan Y, Zhang B (2021) Towards the optimality of service instance selection in mobile edge computing. Knowl-Based Syst 217:106831
Ray PP, Dash D, De D (2019) Internet of things-based real-time model study on e-healthcare: device, message service and dew computing. Comput Netw 149:226–239
Longo M, Hirsch M, Mateos C, Zunino A (2019) Towards integrating mobile devices into dew computing: a model for hour-wise prediction of energy availability. Information 10(3):86
Mukherjee A, De D, Ghosh SK, Buyya R (2021) Mobile edge computing. Springer Nature, Switzerland. https://www.springerprofessional.de/en/introduction-to-mobile-edge-computing/19880854
Skala K, Davidovic D, Afgan E, Sovic I, Sojat Z (2015) Scalable distributed computing hierarchy: cloud, fog and dew computing. Open J Cloud Comput (OJCC) 2(1):16–24
Wang Y (2018) Post-cloud Computing Models: from Cloud to CDEF. In: Proceedings The 3rd International Workshop on Dew Computing. https://doi.org/10.13140/RG.2.2.34150.47688
Jang B, Kim M, Harerimana G, Kim JW (2019) Q-learning algorithms: a comprehensive classification and applications. IEEE Access 7:133653–133667
Abdoos M, Mozayani N, Bazzan ALC (2014) Hierarchical control of traffic signals using Q-learning with tile coding. Appl Intell 40(2):201–213
Kaelbling LP, Littman ML, Moore AW (1996) Reinforcement learning: a survey. J Artif Intell Res 4:237–285
Fujita H, Selamat A, Lin JC-W, Ali M, eds. (2021) Advances and Trends in Artificial Intelligence. From Theory to Practice: 34th International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems, IEA/AIE 2021, Kuala Lumpur, Malaysia, July 26–29, 2021, Proceedings, Part II. Lecture Notes in Artificial Intelligence
Asghari A, Sohrabi MK, Yaghmaee F (2020) Online scheduling of dependent tasks of cloud’s workflows to enhance resource utilization and reduce the makespan using multiple reinforcement learning-based agents. Soft Comput 24(21):16177–16199
Chakraborty S, Mazumdar K, De D (2021) CBLM: Cluster-Based Location Management for 5G Small Cell Network Under Stochastic Environment. J Circuits Syst Comput 30(10):2150174
Chakraborty S, Mazumdar K (2022) Sustainable task offloading decision using genetic algorithm in sensor mobile edge computing. J King Saud Univ-Comput Inf Sci 34:1552–1568
Melo FS (2001) Convergence of Q-learning: a simple proof. Institute of Systems and Robotics, Tech Rep:1–4. http://users.isr.ist.utl.pt/~mtjspaan/readingGroup/ProofQlearning.pdf