New edge computing offloading methods for next generation wireless networks
Yeni nesil haberleşme sistemleri için geliştirilen kenar ağlarda bilgi işlem yük boşaltma yöntemleri
- Tez No: 863387
- Danışmanlar: PROF. DR. LÜTFİYE DURAK ATA
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: 88
Özet
Gün geçtikçe artan mobil uygulama sayısı ve IoT cihazların yogun bir ¸sekilde ˘ kullanımı, mobil cihazlardaki gelen görev talepleri büyük ölçüde arttırmaktadır. Yogun ˘ görev talepleri hem mobil aglarda ve hem de kullanılan mobil cihazlarda büyük bir ˘ i¸slem yükü olu¸sturmaktadır. Bu i¸slem yükünün, ve beraberinde getirdigi özelliklerin ˘ ya da uygulamaların gecikme gereksinimlerini kar¸sılanarak tamamlanması, gelecek nesil aglardaki en büyük meydan okumalarından bir tanesidir. ˘ Mobil veya IoT cihazlar kullanıcılarına eglence, sosyal a ˘ g, akıllı ev veya ula¸sım gibi ˘ çe¸sitli alanlarda farklı olanaklar sunsa da, depolama, i¸slem gücü ve enerji tüketimi kısıtlamaları nedeniyle, bu cihazlar büyük verileri kendi ba¸slarına verimli bir ¸sekilde i¸slemek için yeterli degillerdir. Öte yandan, ¸su anda kullanılan geleneksel a ˘ g ve bulut ˘ bili¸sim sistemlerinde, kullanıcı ortamlarından oldukça uzakta konumlandırılmı¸stır. Bu yüzden, ¸su an kullandıgımız sistemler dü¸sük gecikme süresine ihtiyaç duyulan ˘ servisleri sunmak için uygun degillerdir. ˘ Yukarıda bahsedilen problemlerin gelecek vaat eden çözümlerinden bir tanesi, görev yürütme sürecini kullanıcılara yakın olan uç sunuculara (edge-server) devretmektir. Bu çözüm Avrupa Telekomünikasyon Standartları Enstitüsü (ETSI) tarafından tanımlanmı¸s ve çok eri¸simli uç hesaplama (MEC) olarak adlandırılmı¸stır. Görev yürütme gereksinimlerine göre çok eri¸simli uç hesaplama (MEC), dü¸sük gecikme süresi, dü¸sük enerji tüketimi ve artırılmı¸s bant geni¸sligi gibi oldukça katı performans ˘ gereksinimlerini kar¸sılarken daha fazla depolama ve i¸slem gücü sunar. Uç hesaplama (edge-computing) önemli bir çözüm yöntemi olsa bile, cihazlar ve uç sunucular arasındaki görev yürütme karar süreci, karma¸sık bir karar problemidir. Bu problem, geleneksel optimizasyon algoritmaları ile çözülebilir ama bu algoritmalar, kısa görev sürelerini kar¸sılamakta yetersiz kalmaktadır. Son yıllarda, yapay zeka (AI) teknolojisindeki ögrenme yöntemlerinin geli¸stirilmesi, ˘ bu tür zorlu problemlerin çözümü için yeni yollar olu¸smasını saglamaktadır. Ayrıca, ˘ hem akademi hem de endüstri alanın önde gelenleri, makine ögrenimi (ML) ve ˘ derin ögrenme (DL) yöntemlerini yeni nesil kablosuz a ˘ glara entegresi için önemli ˘ çalı¸smalar yürütmü¸stür. Yapay zeka algoritmalarını uç ag (edge network) ortamlarına ˘ entegre ederek, görev yürütme karar verme sürecini hızlandırmak ve mobil ve ya IoT cihazlarının gecikmeye duyarlı görev yürütme taleplerini kar¸sılamak mümkündür. Bu tezde, yapay zeka tabanlı ögrenme yöntemlerini kullanarak, görev aktarım ˘ (task-offloading) stratejisi ele alınmakta ve uç hesaplama aktarım (edge computing offloading) sürecini hızlandırmak için akıllı bir görev yürütme karar yöntemi önerilmektedir. Yöntemimiz, uç sunucuların kapasitesini, kanal ko¸sullarını, cihazların gecikme ve enerji tüketimini ve kullanıcıların hareketliligini baz almaktadır. Bu ˘ çalı¸smada kullanılan sistem modeli, konsollar tarafından çevrimiçi oyun oynama, sanal gerçeklik (VR) veya artırılmı¸s gerçeklik (AR) tabanlı uygulamalar, insansız hava araçlarından (˙ IHA'lar) canlı video akı¸sları, çevrimiçi (connected) arabalar veya akıllı telefon uygulamaları gibi gecikmeye duyarlı uygulamalara sahip çe¸sitli cihazlara hizmet verebilecek ¸sekilde olu¸sturulmu¸stur. ˙ Ilk bölümde, makine ögrenimi (ML) algoritmaları kullanılarak mobil a ˘ glar için görev ˘ aktarım karar yöntemleri (task-offloading decision methods) ara¸stırılmı¸stır. Gecikme ve enerji tüketimi, uç sunucu kapasitesi, paket i¸sleme süresi ve cihazın pil seviyesi gibi çe¸sitli sistem parametreleri dikkate alınarak uç aglarda görev bo¸saltma sistemi ˘ modeli bir mobil cihaz ve uç sunucu ortamı için önerilmi¸stir. Görevlerin i¸slenme modları olan görev sınıfları, makine ögrenimi algoritmaları yardımıyla mobil cihaz ˘ üzerinde i¸sleme, uç sunucu üzerinde i¸sleme, paketin dü¸smesi veya kullanıcıdan paket i¸sleme istegi alınmamı¸s olarak tanımlanır. Mobil cihaz, yeterli enerjiye ˘ sahipse paketi kendi üzerinde i¸sleyebilir. Degilse, uç sunucusu paketi i¸sleme ˘ istegini alır ve i¸sler. Bu iki hesaplama modundan hiçbiri paketi i¸sleme için uygun ˘ degilse, paketin dü¸smesi olarak tanımlanır. Ayrıca, mobil cihazda herhangi bir ˘ görev talebinin olu¸sturulmadıgı senaryo da nihai hesaplama moduna dahil edilmi¸stir. ˘ Görev yürütme kararını daha hızlı gerçekle¸stirmek için SVM, k-NN, SNN ve DNN sınıflandırıcıları gibi çe¸sitli ögrenme algoritmalarından yararlanılmı¸stır. Daha sonra, ˘ ögrenme algoritmalarının sınıflandırma performansı, önerilen akıllı algoritmaların ˘ yürütme modlarının sınıfına ne kadar hızlı ve kesin olarak karar verebildigini ˘ dogrulamak için kapsamlı simülasyonlar çalı¸stırılmı¸stır. Ayrıca sonuçlar, Lyapunov ˘ optimizasyon tabanlı dinamik hesaplama bo¸saltma (LODCO) algoritması adı verilen geleneksel bir optimizasyon modeliyle kar¸sıla¸stırılmı¸stır. Elde ettigimiz sonuçlar, ˘ önerdigimiz yapay zeka destekli yakla¸sımımızın ne kadar hızlı ve do ˘ gru olarak ˘ yürütme sınıfına karar vermeyi sagladı ˘ gını göstermektedir. Ayrıca, makine ö ˘ grenimi ˘ tabanlı algoritmaların kullanımıyla çıkan sonuçlar teorik optimizasyon yöntemleriyle kar¸sıla¸stırılmı¸s, hesaplama bo¸saltmaya karar verme hızında önemli ölçüde avantaj sagladıkları numerik sonuçlarla gösterilmi¸stir. Önerilen sistemin gecikmeye duyarlı ˘ olan uygulamalara hızlı yanıt verebilecegini ortaya koymaktadır. ˘ ˙ Ikinci bölümde ise, bu çalı¸smanın nasıl çoklu mobil ve IoT cihaz ag ortamları ˘ için geli¸stirildigi ve bu çalı¸smada kullanılan yapay zeka destekli gecikmeye duyarlı ˘ görev sınıflandırma yöntemi anlatılmı¸stır. Bu çalı¸smadaki sistem modeli, çe¸sitli akıllı ag ba ˘ glantılı cihazları destekleyebilecek ¸sekilde olu¸sturulmu¸stur. Bunlar a ˘ g˘ baglantılı arabalar, akıllı telefonlar, AR veya VR tabanlı çevrimiçi oyunları destekleyen ˘ konsollar, ˙ IHA'lar ve gecikmeye duyarlı özelliklere sahip tüm akıllı ev uygulamaları olabilmektedir. Ayrıca, ˙ IHA tabanlı zaman hassasiyetli görev taleplerini ayırt etmek için farklı kanal modeli ve daha kısa paket yürütme süreleri dikkate alınmı¸stır. Önerilen çerçeve görev sınıflandırma ve uç sunucu seçim süreçlerinden olu¸sur. Görev sınıflandırma sürecinde, cihaz üzerinde paketi i¸sleme, uç sunucu üzerinde i¸sleme, görev bırakma gibi görevlerin yürütme modlarını elde etmek için çe¸sitli ML ve DL modelleri kullanılırken, herhangi bir cihazdan görev talebi alınmadıgında ˘ ayıklama algoritması uygulanarak aktif olan görevler üzerinden sınıflandırma yapılması hedeflenmi¸stir. Hesaplama bo¸saltma gecikmesini azaltmak için ML ve DL algoritmaları, dogruluk, kesinlik, F1 ölçütleri gibi hata matrisi parametreleri açısından kar¸sıla¸stırılmakta ve sonuçlara göre en uygun sınıflandırıcı seçilmektedir. Sınıflandırıcı tarafından uç sunucu yürütme modu seçildiginde ise, maksimum kanal ˘ kazancını kullanarak görevin hangi sunucuda i¸slenecegi belirlenmektedir. Simülasyon ˘ sonuçları, her türlü IoT cihazı ve özellikle ˙ IHA kullanıcıları için hız ve F1 puanı ölçütleri açısından gösterilmi¸stir. Ayrıca, sonuçlar gecikme ve kesinlik açısından geleneksel optimizasyon yöntemleriyle kar¸sıla¸stırılmı¸stır. Elde edilen sonuçlar dikkate alındıgında, önerdi ˘ gimiz yöntemin minimum sistem parametre seti kullanarak istenilen ˘ sonuçları elde edebilecegi gösterilmi¸stir. Performans sonuçları, önerilen yapay zeka ˘ destekli görev karar çerçevesinin en kısa sürede en uygun sınıflandırıcıyı seçmemizi saglayarak daha iyi performans sonuçlarının ortaya çıkmasını sa ˘ glamı¸s ve karar verme ˘ süresinin azaltılmasına büyük katkı saglamı¸stır. Bunun yanısıra, önerilen çerçevenin ˘ çok cihazlı ortamlara uyum saglama yetene ˘ gine sahip olması ve özellikle ˘ ˙ IHA'larda kullanılanlar gibi gecikmeye duyarlı uygulamalar için hızlı cevap verebilme yetenegine ˘ sahip olması en önemli avantajlarıdır. Kapsamlı performans sonuçlarına göre, önerilen yapay zeka destekli karar verme yönteminin, geleneksel optimizasyon yöntemlerine kıyasla kullanıcı deneyiminin kalitesini korudugunu, uç hesaplama aktarım (edge computing offloading) sürecinin ˘ karar verme evresini önemli ölçüde hızlandırırken oldukça kesin sonuçlara ula¸stıgını ˘ göstermektedir. Önerilen yapay zeka destekli görev sınıflandırma yöntemlerinin, uç aglarda (egde network) kullanılarak yeni uygulamalar için önemli çözümler ˘ üretebilecegine inanıyoruz.
Özet (Çeviri)
The increasing number of mobile applications and massive deployment of connected IoT devices cause computation load due to intensive task requests coming from devices. Computing these tasks by fulfilling the latency requirements of the features or applications are one of the big argument in the next generation of networks. Although mobile or IoT devices provide us with various kinds of functionalities such as entertainment, social networking, or smart home or transportation, but they are not sufficient to process huge data thyself in an effective way due to their storage, computation, and energy limitations. Besides, traditional cloud computing systems that are currently used in the networks are deployed with high distant from the user environments. Therefore, they are not appropriate to provide low-latency required services. One of the promising methods to address the aforementioned problems is offloading the task computing process to edge servers that are in close proximity to the users. This solution is defined by The European Telecommunications Standards Institute (ETSI) and called multi-access edge computing (MEC). According to the task execution requirements, MEC offers more storage and compute power while meeting stringent performance criteria like low latency, low energy consumption, or increased bandwidth. Even if edge computing is a key solution, the task execution decision process between devices and edge servers is a complex decision problem that conventional optimization algorithms struggle to solve to meet the execution requirements. In recent years, the development of learning methods in artificial intelligence (AI) technology helps to create new methods for resolving these kinds of challenging problems. Additionally, both academies and industries have a significant interest to integrate machine learning (ML) and deep learning (DL) methods into next-generation wireless networks. By integrating AI algorithms into edge network environments, it is possible to accelerate the task execution decision-making process and answer the latency-sensitive task execution demands of mobile and IoT devices. In this thesis, AI-based learning methods are mainly considered for task offloading strategy and we propose an intelligent task execution decision framework to accelerate the edge computation offloading process. In this framework, we take into account the capacity of edge servers, channel conditions, delay and energy consumption of devices, and mobility of users. The system model utilized in this study is built to be feasible for serving a variety of smart connected devices with latency-sensitive applications such as online gaming by consoles, virtual reality (VR) or augmented reality (AR)-based applications, live video streams from unmanned aerial vehicles (UAVs), connected car or smartphone applications. In the first section, task offloading decision methods are investigated for mobile networks by utilizing machine learning (ML) algorithms. In the second section, the study is enhanced to serve multi-device environments for mobile and IoT networks and the AI-empowered task classification framework is designed to respond delay sensitive task execution requests. Comprehensive performance results demonstrate that the proposed AI-empowered framework is substantially fast and precise in the decision-making of the edge computation offloading process while maintaining the quality of user experience compared to conventional optimization methods. We believe that the proposed AI-enabled task classification framework could provide prominent solutions for new applications by running at the network edge.
Benzer Tezler
- Resource allocation methods for next-generation networks
Yeni nesil ağlarda kaynak atama yöntemleri
İLKE ALTIN
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET AKAR
- Offloading decision with mobility-aware for mobile edge computing in 5G networks
5g şebekesinde mobil kenar bilgi işlem için mobilite bilinci ile aktarma kararları
SAEID JAHANDAR BONAB
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERGEN
- 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
- Derin öğrenme tabanlı görevlerin kenar bilişim yöntemiyle uzak sunucuya taşınması
Offloading tasks to remote server for deep learning based applications over edge computing system
HÜSEYİN ENES İLHAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Resource allocation mechanisms for end-to-end delay optimization of 5G URLLC services
5G URLLC hizmetlerinin uçtan uca gecikme optimizasyonu için kaynak aktarım mekanizmaları
HASAN ANIL AKYILDIZ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
DR. İBRAHİM HÖKELEK