Σχεδιασμός και Υλοποίηση Μηχανισμών για Συνεργατική και Αυτόνομη Διαχείριση IoT-Edge-Cloud Υποδομών

Abstract

Η ραγδαία εξέλιξη κατανεμημένων υπολογιστικών υποδομών έχει οδηγήσει στην ανάπτυξη cloud-native εφαρμογών, οι οποίες βασίζονται στην διάσπαση μονολιθικών εφαρμογών σε μικρότερες αλληλοσυνδεόμενες εργασίες, που αναφέρονται ως μικροϋπηρεσίες. Η προσέγγιση αυτή ενισχύει την απόδοση, την ελαστικότητα και την ανεκτικότητα των εφαρμογών, ενώ βελτιώνει τη χρησιμοποίηση των υπολογιστικών πόρων. Η βελτιστοποίηση της απόδοσης των cloud-native εφαρμογών, απαιτεί επιπλέον παραμέτρους για την συνολική καθυστέρηση των εφαρμογών και την καθυστέρηση μεταξύ των μικροϋπηρεσιών, οι οποίες δεν μπορούν να εξυπηρετηθούν αποκλειστικά από το cloud. Για τον λόγο αυτό, καθίσταται αναγκαία η αξιοποίηση υπολογιστικών πόρων κοντά στους χρήστες σε near και far edge επίπεδα, ώστε να διασφαλίζεται η καλύτερη ποιότητα εξυπηρέτησης. Επίσης, η ευρεία διάδοση τεχνολογιών, όπως το 5G, εντείνει την ανάγκη για αποτελεσματική κατανομή εφαρμογών που απαιτούν συνεχή απόκριση σε πραγματικό χρόνο, καθώς αυξάνεται ο αριθμός συσκευών, όπως αυτόνομα αυτοκίνητα, κινητά τηλέφωνα και IoT συσκευών, που μετακινούνται και προωθούν διαρκώς υπολογιστικές διεργασίες προς το edge cloud. Στην παρούσα εργασία προτείνονται μηχανισμοί αυτοματοποίησης της κατανομής cloud-native εφαρμογών στις ετερογενείς υπολογιστικές τοποθεσίες ενός edgecloud περιβάλλοντος, με στόχο τη διατήρηση της ποιότητας εξυπηρέτησης καθ’ όλη τη διάρκεια εκτέλεσης τους. Το πρόβλημα αρχικά μοντελοποιείται ως Μεικτό Ακέραιο Πρόβλημα Γραμμικού Προγραμματισμού (MILP), το οποίο παρέχει τη βέλτιστη λύση για μικρής κλίμακας περιπτώσεις. Η εκτέλεση του MILP ενδέχεται να μην μπορεί να ολοκληρωθεί για προβλήματα με πραγματικό πλήθος εφαρμογών και edge-cloud τοποθεσιών σε ρεαλιστικό χρόνο. Για την αντιμετώπιση αυτού του περιορισμού, αναπτύσσεται ένας άπληστος αλγόριθμος που κατανέμει πόρους με την τεχνική καλύτερου ταιριάσματος (best-fit) προσεγγίζοντας τα αποτελέσματα του MILP σε σημαντικά λιγότερο χρόνο. Τέλος, αξιολογούνται τα αποτελέσματα των αλγορίθμων μέσω προσομοιώσεων σε διαφορετικά σενάρια και κριτήρια βελτιστοποίησης, αποδεικνύοντας την αποτελεσματικότητα και την επεκτασιμότητα τους σε μεγάλης κλίμακας προβλήματα.