Offloading decision with mobility-aware for mobile edge computing in 5G networks
5g şebekesinde mobil kenar bilgi işlem için mobilite bilinci ile aktarma kararları
- Tez No: 672711
- Danışmanlar: PROF. DR. MUSTAFA ERGEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Haberleşme Mühendisliği Bilim Dalı
- Sayfa Sayısı: 78
Özet
Mobile Edge Computing (MEC), 5. nesil (5G) telsiz haberleşmede temel bir teknolojidir. MEC, uygulama sürecini ağ uçlarında kullanıcı ekipmanına (UE) yakın barındırarak iletişim ve hesaplama kaynaklarını optimize eder. Bu, gecikmeyi azaltırken iletişim güvenilirliğini ve kararlılığını verimli bir şekilde artıracaktır. MEC'nin temel özellikleri, çok düşük gecikmeli yanıtı ve yaygınlaşmaya başlayalan 5G ağlarındaki gerçek zamanlı uygulamalarıdır. 2017 yılında, hücresel olmayan operatörlere de hitap etmek için Avrupa Telekomünikasyon Standartları Enstitüsü (ETSI) tarafından mobil uç bilgi işlem terimi çoklu erişim uç bilgi işlem olarak değiştirildi. Sonuç olarak, MEC sunucuları radyo erişim ağı (RAN), baz istasyonları (BS'ler), Wi-Fi erişim noktaları ve sabit bağlantılar kullanıklarak yaygınlaştırılabilir. 3GPP TS 23.051 teknik özellikli 5G şebekesi de MEC teknolojisini içerir. MEC, yalnızca mevcut uygulamaların verimliliğini artıran bir araç değil, aynı zamanda yeni uygulamalar için de kiritik bir rol oynamaktadır. Örneğin, otonom bir araç ağı düşünüldüğünde, MEC, herhangi bir bulut sunucusunu dahil etmeden yol kenarı birimleri (RSU), diğer bağlı arabalar ve yayalarla bilgi paylaşmak için kullanılabilir. MEC sağladığı düşük gecikme sayesinde otonom araç fonksiyonlarının ihtiyacı olan gerçek zamanlı yapay zeka algoritmalarının geliştirilmesinde katkı sağlamaktadır. Günümüzde sınırlı hesaplama kapasitesine sahip olan IoT cihazları çok fazla veri toplamaktadır. Bu IoT cihazlar zamanla daha akıllı hale geldiği için depolama, bant genişliği ve işlemci gücüne ihtiyaç duymaktadırlar. Bu ihtiyaçları ağ uçlarında kullanılacak olan MEC teknolojisi ile karşılamak mümkündür. MEC'de görev aktarımı (offloading), işlem için MEC sunucusuna hesaplama görevlerini göndermeyi ifade eder. MEC alınan görevi yerine getirdikten sonra sonuçları uygun kullanıcıya geri göndermekle sorumludur. Bir MEC sunucusunun kapsama alanındaki birden fazla kullanıcıyı düşündüğümüzde, ana zorluklardan biri MEC kaynaklarının uygun şekilde nasıl paylaştırılacağıdır. Hesaplama kaynağı tahsis edildikten sonra, kullanıcı görevi aktarma veya yerel olarak yürütmeye karar verecektir. Ayrıca, tek bir kullanıcı için birden fazla BS olduğundan, görev aktarma için en uygun BS'nin hangisi olduğuna karar vermek, MEC ile ilgili birçok makalede araştırılan bir konudur. En yaygın çözüm, bir fayda maliyet fonksiyonu geliştirmek ve optimizasyon yöntemlerini kullanarak en uygun çözümü bulmaya çalışmaktır. Bununla birlikte, kaynak tahsisi, iletişim, hesaplama ve kullanıcı hareketliliği düşünüldüğünde, ortak optimizasyon problemlerini analiz etmemiz gerekmektedir. Bu ortak problemlerin çoğu konveks değildir ve (non-deterministic polynomial) NP-hard problemlerdir. MEC özellikli 5G ağlarındaki diğer bir ana zorluk, MEC sunucularının çok yoğun şebekelerde dağıtılmasıdır. Bu nedenle, MEC sunucusunun küçük ölçekli kapsama alanı içinde kullanıcı hareketliliğini yönetmek bir sorundur. MEC'deki heyecan verici çalışmaların çoğu, kullanıcıların hareketliliğini ihmal etmekte ve karmaşıklık nedeniyle sabit olduklarını varsaymaktadır. Ancak bu araştırmada kullanıcıların hareketliliği dikkate alınmıştır. Kullanıcıların çok yoğun şebekelerde bulunan MEC kapsama alanı içindeki hareketliliği sık sık geçişe neden olduğundan, problem formülasyonumuza geçiş (handover) maliyeti dahil edilmiştir. Geçiş (handover), kullanıcının aktif olduğu durumda kapsama alanında bulunduğu bir MEC hücresinden diğer bir MEC hücresine geçmesi olayına denir. Hizmet sürekliliğini desteklemek için, mevcutta hizmet veren MEC sunucusu görevini geçiş yapılacak olan MEC sunucusuna göndermelidir. Bu nedenle geçiş, problem formülasyonunda dikkate alınması gereken ek maliyetlerle sonuçlanır. Bu çalışmada amacımız, optimum görev aktarma kararlarını alırken kullanıcı hareketliliğini göz önünde bulundurmaktır. Görev aktarma sırasında, eğer kullanıcılar bir BS'nin kapsama bölgesinden uzaklaşırsa, bu durum geçişe neden olur. Dolayısıyla, optimizasyon fonksiyonunda geçiş süresi maliyeti dikkate alınmıştır. Literatürde hareketlilik, geçiş maliyeti ve görev geçişine odaklanan bazı çalışmalar olmasına rağmen, bu tezin katkısı optimizasyon işlevinde optimum parametreleri seçmek ve çevrimiçi algoritmalar kullanarak performans değerlendirmesini iyileştirmektir. Bu çalışmada, gelecekteki görevlerin bilinmediği varsayılmış ve çevrimiçi görev aktarma kararları dikkate alınmıştır. Sonuç olarak, önerilen yöntemler model tabanlı değildir ve herhangi bir hareketlilik senaryosunda uygulanabilir. Genel olarak, iki senaryo ve her bir senaryo için bir çözüm ele alındı. Çevrimiçi UE-BS algoritması olarak adlandırılan ilk senaryoda, kullanıcılar hem kullanıcı tarafı hem de BS tarafı bilgisine sahiptir. Bununla birlikte, BS-Learning adlı ikinci senaryoda, kullanıcılar yalnızca kullanıcı tarafı bilgilerine sahiptir. İlk algoritmada, BS bilgisi mevcut olduğundan, aktarma için optimum BS'yi hesaplamak mümkündür. Sonuç olarak, bu yöntemde, performansı optimum çevrimdışı çözüme yaklaştıran bir geçiş (handover) olmayacaktır. Ancak, sınırlı enerji bütçesi nedeniyle, kullanıcıların toplam enerji bütçelerini aşmamasını sağlamamız gerekmektedir. İkinci algoritmada, BS-tarafı bilgisi mevcut değildir. Bu, kanal kazancının mevcut olduğu bilgi işlem CPU'larının bilinmediği ve kullanıcıların gözlem boyunca zaman ve enerji maliyetini öğrenmesi gerektiği anlamına gelir. Bu gözlemlere dayanarak kullanıcılar optimum BS'yi bulur. Bununla birlikte, gözlemdeki farklılıklar optimum olmayan BS seçimine yol açabilir. Optimum olmayan BS'nin seçilmesi toplam maliyeti artıracak ve geçişe (handover) sebeb olacaktır. Bu nedenle, optimizasyon fonksiyonunda optimum kontrol parametrelerinin seçilmesi önemlidir. Bu tezde sunulan simülasyonlar MATLAB'da yapılmıştır. Sonuç bölümünde, önerdiğimiz algoritmayı diğer ilgili araştırma çalışmaları ile karşılaştırmaktayız. Ayrıca, performansı değerlendirmek için optimum çevrimdışı çözüm ve iki temel senaryo ile de karşılaştırılmaktadır. Sonuçlar, BS tarafı bilgisinin bilinmesi durumunda önerilen yöntemimizin optimum performansa yakın olacağını göstermektedir. Ayrıca gözlem ve öğrenmeye dayalı senaryo için sonuçlar, geçiş süresi maliyeti gibi ek maliyetler nedeniyle performans kaybını göstermektedir. Ayrıca, enerji bütçesi açısından, önerilen iki yöntemimiz, ilgili bir makaleye kıyasla optimum çözüme yakındır. Bu tezin geri kalanı aşağıdaki şekilde düzenlenmiştir. Bölüm 1'de konuya giriş yapılmış, çalışmanın motivasyonu ve tezin amacı verilmektedir. Bölüm 2'de, MEC sistemlerinin başlatılmasına ilişkin arka plan, MEC'in 5G ağları ile entegrasyonu, MEC'de mobilite yönetimi ve zorlukları tartışmaktadır. Bunlara ek olarak, literatür taraması verilmiştir. Bölüm 3'te, sistem modeli, problem formülasyonu ve önerilen çevrimiçi algoritmalar sağlar. Simülasyon parametreleri ve sayısal sonuçlar 4. bölümde yer almaktadır. Son olarak, Bölüm 5'te bu çalışmanın sonucu ve tavsiyeler sunulmaktadır.
Özet (Çeviri)
Mobile Edge Computing (MEC) is a key technology in the Fifth Generations (5G) of Mobile Networks. MEC optimizes communication and computation resources by hosting the application process close to the user equipment (UE) in network edges. This will efficiently enhance communication reliability and stability while reducing latency. The key characteristics of MEC are its ultra-low latency response and real-time applications in emerging 5G networks. In 2017, the European Telecommunications Standards Institute (ETSI), changed the name mobile edge computing to multi-access edge computing to address non-cellular operators as well. As result, MEC servers can be deployed with Radio Access Network (RAN), Base stations (BSs), Wi-Fi access points, and fixed connections. The 3GPP includes MEC technology in the 5G network with the technical specification 3GPP TS 23.051. MEC is not only a tool to improve the efficiency of current applications, but also is a key driver for new applications. For an instance, considering an autonomous vehicular network, MEC can be used to share information with roadside units (RSU), other connected cars, and pedestrians without involving any cloud servers. Due to the low latency of MEC, it is particle to develop real-time artificial intelligence algorithms to enable autonomous vehicle function. Today, IoT devices and sensors collect big data and most have limited computation resources. Since these devices are all becoming smarter, they require storage, computation resources, and bandwidth, which all could be developed using MEC at the edge of the network. In MEC, task offloading refers to sending computational tasks to the MEC server for processing. Once the MEC executes the received task, it is responsible for sending back the results to the appropriate user. Considering multiple users within the coverage region of a MEC server, one of the main challenges is how to allocate the MEC resources appropriately. Once the computational resource is allocated for a user, it is going to decide whether to offload the task or execute it locally. Moreover, since there are multiple BSs for a single user, deciding what is the optimum BS for offloading is a research topic in many MEC-related articles. The most common solution is to develop a utility cost function and based on optimization methods, try to find the optimum solution. However, considering resource allocation, communication, computation, and user mobility leads us to analyze joint optimization problems. Most of these joint problems are non-convex and NP-hard to solve. The second main challenge in MEC-enabled 5G networks is that MEC servers are distributed within the ultra-dense network. Hence, it is an issue to manage usermobility within small-scale coverage of the MEC server. Most exciting studies in MEC are often neglecting the mobility of users and assume that they are constant due to complexity. However, in this research, the mobility of users is taken into account. Since the mobility of users within ultra-dense MEC coverage causes frequent handover, in our problem formulation the handover cost is included. Handover acquires once the user leaves the coverage cell of the MEC server during the task processing. In order to support service continuity, the host MEC system should reallocate the task to the targeted MEC server. Therefore, handover results in additional costs which should be considered in the problem formulation. In this study, our purpose is to consider user mobility while having optimum offloading decisions. During the task offloading if users move from the coverage region of a BS, it will cause handover. So, handover time cost has been considered in the optimization function. Although some related researches are also done focusing on mobility, handover cost, and task migration, the contribution of this research is to choose optimum parameters in optimization function and improve the performance evaluation using online algorithms. In this study, it assumed that the upcoming future tasks are unknown and online task offloading decisions are considered. As a result, the proposed methods are not model-based and could be implemented in any mobility scenarios. Generally, two scenarios and one solution for each are considered. In the first one, called the online UE-BS algorithm, the users have both user-side and BS-side information. However, in the second scenario, BS-learning users only have user-side information. In the first algorithm, since the BS information is available, it is possible to calculate the optimum BS for offloading. As a result, within this method, there would be no handover which makes the performance close to the optimal offline solution. However, due to the limited energy budget, we need to ensure that the users' total energy will not exceed its budget. In the second algorithm, the BS-side information is not available. This means the channel gain available computing CPUs are unknown the users need to learn time and energy cost throughout the observation. Based on these observations the users find optimum BS. However, due to variance in observation, this might lead to sub-optimum BS selection. Selecting the sub-optimal BS would increase the total cost and would cause handover. Therefore, it is essential to choose optimum controlling parameters in the optimization function. The simulations are conducted in MATLAB. In the result section, we compare our proposed algorithm with other related research studies. Also, to evaluate the performance it is compared with the optimum offline solution and two baseline scenarios. The results indicate that in case the BS-side information is known our proposed method would have near to optimum performance. Furthermore, for the scenario which is based on observation and learning, the re sults show the loss in performance due to additional costs such as handover time cost. Moreover, in terms of the energy budget, our proposed two methods have near to optimum solution comparing with a related article. The remainder of this thesis is organized as follows. Chapter 1 provides the introduction on the subject, motivation of the study, and purpose of the thesis. Chapter 2 discusses the background on the initialization of MEC systems, The integration of MEC with 5G networks, Mobility Management in MEC, and challenges. Moreover, the insight literature review is included. Chapter 3, provides the system model, problem formulation, and proposed online algorithms. The simulation setting and numerical results are included in chapter 4. Finally, chapter 5 presents the conclusion and recommendation of this study.
Benzer Tezler
- New edge computing offloading methods for next generation wireless networks
Yeni nesil haberleşme sistemleri için geliştirilen kenar ağlarda bilgi işlem yük boşaltma yöntemleri
BESTE ATAN
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
- Resource allocation in vehicular edge computing networksbased on deep reinforcement learning
Araç uç bilişiminde derin pekiştirmeli öğrenmeye dayalıkaynak tahsisi
HOMA MALEKI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
- Optimal and practical handover decision algorithms in heteregeneous macro-femto cellular networks
Heterojen makro-femto şebekelerinde uygulanabilir ve eniyilenmiş geçiş karar algoritmaları
ISMAIL CEM ATALAY
Yüksek Lisans
İngilizce
2012
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZGÜR GÜRBÜZ
DOÇ. DR. ÖZGÜR ERÇETİN
- An adaptive offloading decision scheme in two-class mobile edge computing systems
Iki-sınıflı mobil kenar bilişim sistemleri için uyarlanır bir aktarma karar yöntemi
KAHLAN HASAN
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiYRD. DOÇ. DR. MEHMET AKİF YAZICI
- Çoklu-erişim kenar bilişim sistemlerinde işlem yükü devri karar yöntemlerinin karşılaştırılması
Comparison of offloading decision schemes for multi-access edge computing systems
MEHMET ALTINKURT
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYKUT KALAYCIOĞLU