IoT Service Placement with Load Distribution and Service Migration in Edge Computing for 5G Networks - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

IoT Service Placement with Load Distribution and Service Migration in Edge Computing for 5G Networks

Placement de services IoT avec répartition de charge et migration de services en bordure Edge Computing des réseaux 5G

Résumé

Edge Computing (EC) is a promising concept to alleviate some of the cloud computing limitations in supporting Internet of Things (IoT) applications, especially time-sensitive applications, by bringing computing resources closer to end users, at the network edges. As promising as EC is, it also faces many challenges. These are mainly related to the resource management in the vast, distributed, dynamic, and heterogeneous setting brought by EC. A relevant issue for resource management is the service placement problem, which is the decision-making process of determining where to place different applications or services over the EC infrastructure according to some constraints, requirements, and performance goals. This decision-making process can thus be extended to include other related issues, such as load distribution and service migration. Load distribution relates to the “how” to distribute workloads of an application among its various instances placed over the EC infrastructure. Meanwhile, the service migration aims at tackling the “when” an application or service should be migrated to another location to keep satisfactory system performance. As such, these two issues are integral parts of those that needs to be tackled by EC resource management and, more specifically, in the case of service placements. In this thesis, we investigate the IoT services placement with load distribution and service migration in the context of next generation networks with EC capabilities, such as the fifth-generation (5G) mobile system. First, we address service placement with load distribution as single and multi-objective problems and we the proposal to solve these using a well-chosen genetic algorithm. Analytical results show that through our proposed formulation and the associated proposed algorithms, we are able to outperform other benchmark algorithms in terms of multiple conflicting objectives, such as response deadline violation, operational cost, and service availability. Then, in order to handle load fluctuations, we propose a centralized limited look-ahead prediction control that periodically readjusts service placement and load distribution decisions by taking into account the performance-cost trade-off of service migrations. Evaluation results show that our predictive control has even better system performance regarding response deadline violations with a small additional migration cost compared to benchmark algorithms. Finally, we address the scalability issue faced by centralized decision-making process. This is achieved by designing a hierarchical distributed service placement solution. This solution reduces the dimensionality of the overall control decision problem by decomposing it into a set of local control problems solved in a hierarchical cooperative way. The evaluation of our distributed control indicates that the trade-off between the system performance and the scalability of decision-making depends on how the control decision problem is decomposed.
L’Edge Computing (EC) est un concept prometteur pour atténuer certaines des limitations du cloud computing dans la prise en charge des applications Internet des Objets (Internet of Things - IoT), en particulier les applications sensibles au délai, en rapprochant les ressources informatiques des utilisateurs à la périphérie du réseau. Aussi prometteur que soit l’EC, ce concept est également confronté à de nombreux défis. Ceux-ci sont principalement liés à la gestion des ressources dans ce cadre étendu, distribué, dynamique et hétérogène qu’apporte l’EC. Un des problèmes majeurs pour cette gestion des ressources est le problème du placement des services. Celui-ci se décline en un processus de prise de décision visant à déterminer où placer les différentes applications ou services au sein de l'infrastructure EC. Ceci s’effectue en fonction d’un certain nombre de contraintes et d’objectifs de performance. Ce processus de prise de décision peut ainsi être étendu pour inclure d'autres aspects connexes, tels que la répartition de la charge et la migration de service. La répartition de la charge concerne la question du comment répartir les charges de travail relative à une application entre ses différentes instances placées sur l'infrastructure EC. La migration de service, quant à elle, vise à résoudre la question du quand une application ou un service doit être migré d’un endroit à un autre de l’infrastructure afin que le système puisse fonctionner de manière satisfaisante. À ce titre, ces deux problèmes font partie intégrante de ceux qui doivent être abordés par la gestion des ressources de l’EC, et, plus particulièrement, dans le cas du placement de services.Dans cette thèse, nous étudions le placement des services IoT avec distribution de charge et migration de services dans le contexte de réseaux de nouvelle génération dotés de capacités EC, tels que le système mobile de cinquième génération (5G). Premièrement, nous abordons le placement de services avec la distribution de charge comme un problème mono-objectif, puis un problème multi-objectifs. Nous proposons alors de les résoudre en utilisant deux algorithmes génétiques spécifiques. Les résultats analytiques montrent que grâce à notre formulation et aux algorithmes proposés, nous sommes en mesure de suppléer les autres algorithmes de référence en termes lorsque nous considérons des objectifs multiples et contradictoires, comme la violation du délai de réponse, le coût opérationnel et la disponibilité du service. Afin de gérer les fluctuations de charge, nous proposons ensuite un contrôle centralisé et prédictif qui réajuste périodiquement les décisions de placement de services et de distribution de charge en tenant compte du compromis performance-coût lié aux migrations de services. Les résultats de l'évaluation montrent que notre contrôle prédictif offre des performances du système encore meilleures en ce qui concerne les violations de délai mais au prix d’une légère augmentation du coût liée à la migration. Enfin, nous abordons le problème d'extensibilité auquel est confrontée toute prise de décision centralisée. Ceci est réalisé en concevant une solution hiérarchique et distribuée pour le placement de services. Cette solution réduit la dimension du problème de décision de contrôle en le décomposant en un ensemble de problèmes de contrôles locaux qui sont résolus de manière coopérative et hiérarchique. L'évaluation de notre contrôle distribué indique que le compromis entre les performances du système et l'extensibilité de la prise de décision dépend de la façon dont le problème de décision de contrôle est décomposé.
Fichier principal
Vignette du fichier
2021Magalhaes177654.pdf (3.97 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03618122 , version 1 (24-03-2022)

Identifiants

  • HAL Id : tel-03618122 , version 1

Citer

Adyson Magalhaes Maia. IoT Service Placement with Load Distribution and Service Migration in Edge Computing for 5G Networks. Networking and Internet Architecture [cs.NI]. Université de La Rochelle; Universidade federal do Ceará, 2021. English. ⟨NNT : 2021LAROS009⟩. ⟨tel-03618122⟩
124 Consultations
112 Téléchargements

Partager

Gmail Facebook X LinkedIn More