英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
EdgeCloudSim：边缘计算系统性能评估的环境
绪论
Edge Computing是一个快速增长的研究领域，涵盖了Cloudlets，雾计算和移动边缘计算（MEC）等一系列技术。与纯云计算和纯移动计算案例相比，边缘计算涉及技术上更复杂的设置，因为计算和网络资源应同时考虑。在这方面，它提供了一个更大的设计空间和许多参数，使各种新颖的方法成为可能。鉴于其复杂性，Edge Computing的设计值得对其可行性进行合理评估的科学审查。但是，尽管研究活动日益增多，但该领域缺乏与要求兼容的模拟工具。从可用的仿真器开始，需要花费大量的编程工作才能获得满足实际需求的仿真工具。为了减少障碍，本文提出了一种新的模拟器工具EdgeCloudSim，该工具简化了Edge Computing场景。 EdgeCloudSim建立在CloudSim的基础上，以满足Edge Computing研究的特定需求，并支持计算和网络能力方面的必要功能。为了演示EdgeCloudSim的功能，模拟了基于不同边缘体系结构的实验设置，并描绘了计算和网络系统参数对结果的影响。
一、介绍
Edge Computing涵盖了广泛的计算概念，如移动云计算（MCC）[1]，雾计算[2]和Cloudlet [3]。 这些计算技术的共同目标是从位于客户地理位置附近的附近服务器获取服务。 通常，这种范例为时间敏感的应用程序或无云访问提供了明显的优势。 在边缘执行应用程序或部分应用程序也为移动设备提供了显着的优势。 首先，移动设备可以通过使用边缘服务器来处理复杂的操作，同时消耗更少的电量。 此外，Edge Computing的传输延迟低于云计算，因为客户端在Edge Computing中不会遇到广域网（WAN）延迟。
通过考虑网络和计算资源来评估不同边缘计算场景的性能是非常宝贵的。但是，很难找到一种能够高效且简单地处理这两种资源的仿真环境。 CloudSim是最受欢迎的云计算模拟框架之一，它允许对云计算基础架构和应用程序服务进行建模[4]。 CloudSim是一款针对标准云计算设置简化的仿真工具，因此可能不包含适用于不太成熟场景的必要功能。一般来说，研究人员通过落实与其主题需求相关的缺失部分来扩展CloudSim。例如，Long等人[5]将文件分条和数据副本管理功能添加到CloudSim，Jung等人。 [6]在CloudSim上实现了MapReduce模型。从Edge Computing的角度来看，CloudSim的主要缺点是（i）缺乏无线局域网（WLAN）和WAN通信模型，（ii）一般缺乏移动节点和移动性支持，（iii）缺乏真实性虚拟机（VM）利用率模型。其他流行的网络模拟器（如NS-3，Omnet 和Opnet）可以对网络资源进行详细建模，但需要大量的实施工作来对与Edge Computing相关的计算方面进行建模。图1描述了独立轴上的边缘计算仿真建模的主要方面。
在这项工作中，我们引入了一种名为Edge-CloudSim覆盖了图1中的整个3D仿真空间。EdgeCloudSim提供模块化体系结构，以支持各种关键功能，例如特定于WLAN和WAN的网络建模，设备移动模型，真实可调的负载生成器。 EdgeCloudSim by Design支持模拟多层服务器场景，其中多个边缘服务器与上层云解决方案配合运行。针对此需求，EdgeCloudSim提供了一个Edge Orchestrator模块，以使其用户能够对边缘计算场景中典型出现的编排操作进行建模。为了对给定容量的虚拟机创建等计算任务进行建模，EdgeCloudSim依赖于CloudSim的功能。 CloudSim拥有用于模拟计算行为的已知和可靠的代码库。 EdgeCloudSim作为一个开源项目公开发布[7]。 EdgeCloudSim的模块化设计和开源代码库允许其用户将自己的需求纳入该工具。为了演示EdgeCloudSim的功能，设计了一个仿真场景。我们的边缘场景包括移动性和真实的负载生成方面的数据包大小和计算负载。在模拟实验中检查具有不同内部组织的不同架构。结果清楚地描述了网络和计算参数对边缘计算系统性能的影响。
二、EDGE计算背景
边缘计算的哲学基本上是在边缘处执行计算，它指的是邻近的资源。边缘计算中使用的邻近资源可能是客户端与云数据中心之间的网络资源或计算资源。 Shi等人[8]和Jararweh等。 [9]解释Edge Computing提供的一些机会。边缘计算，云计算和雾计算概念本质上是相似的概念。在我们的研究中，我们专注于术语“边缘计算”以保持一致性。在各种边缘计算方法中，根据Satyanarayanan定义形成的云概念值得进一步关注[3]。文献中广泛讨论了云，它们可以被认为是邻近的微云。例如，Tawalbeh等人提出了一种多层架构，其中云端位于大数据应用的中间层[10]。同样，Routaib et al。提出了一种基于云的架构，其中使用了集中的多层树结构[11]。边缘计算基础设施可由许多边缘服务器组成，并决定在这种设置中卸载的位置是一项具有挑战性的任务。早期的作品只在制定卸载问题时才考虑计算资源。然而，由于局部边缘计算单元可以被网络资源访问，因此配方应考虑两种资源类型。
显示网络资源对边缘情景的结果有显着影响[12]。这一事实已被最近的工作所证实，例如Chen等人。在移动用户卸载计算接入点和远程云的多层环境中优化卸载决策[13]。作者通过考虑通信和计算资源来使用启发式算法。刘等人。突出了广域网的高延迟，并得出结论，云通信不足以满足资源密集型和延迟敏感的移动应用[14]。他们针对基于云的多层云计算环境中的多资源分配提出了马尔可夫决策过程。本研究也考虑了无线带宽和计算资源。在这种情况下，我们相信EdgeCloudSim能够同时满足计算和网络两方面的需求，可以满足对边缘计算场景进行真实模拟的需求。
CloudSim通常用于常规云计算场景，主要用于评估数据中心的性能[4]。 在传统的云计算中，客户端请求数据中心创建虚拟机列表并在相关虚拟机上运行任务列表。 当数据中心收到这样的请求时，它会尝试创建虚拟机并执行相关任务。 这些任务被视为一系列的操作，使虚拟机保持数小时的繁忙。 此操作流程与在特定时间内从亚马逊网络服务租用虚拟机类似。 但是，边缘计算场景与常规云计算场景不同，因为任务不需要太多时间来执行。 我们假设移动客户端卸载可以以秒为间隔处理的小任务。 由于任务的大小，为每个请求创建新的虚拟机效率不高。
iFogSim是运行在CloudSim之上的另一个模拟器[15]。 它开发用于模拟传感器，执行器，雾设备和云等组件，以模拟物联网和雾环境。 iFogSim允许定义从雾服务器获取服务的设备的位置。 但是，这些信息是静态的，不会被任何移动模型更新。 iFogSim中的网络模型过于简单，为链路分配了固定延迟，忽略了网络负载对操作的影响。 如上所述，为了实际评估边缘计算提议，应该以令人满意的精度考虑网络资源和计算资源。 据我们所知，一个覆盖上述关注的边缘计算模拟器尚未提出。 因此，我们建议开放研究社区EdgeCloudSim作为基于CloudSim的复杂工具，用于Edge Computing提案的无缝性能评估[7]。
三、EDGECLOUDSIM架构
EdgeCloudSim提供了一个模块化体系结构，其中每个模块都针对Edge Computing的特定方面提供了与其他模块明确定义的接口。 如图2所示，在当前的EdgeCloudSim版本中，有五个主要模块可用，即：核心模拟，网络，负载生成器，移动性和边缘协调器。 为了简化快速原型设计工作，每个模块都包含一个可以通过仿真参数进行调整的默认实现。 正如前面部分所述，EdgeCloudSim依靠CloudSim的功能来对计算任务进行建模。 由于CloudSim使用基于离散事件的仿真引擎，因此EdgeCloudSim的时间复杂度取决于仿真中创建的te事件的数量。 当我们在仿真中模拟75分钟真实场景和100台设备时，在使用英特尔酷睿i7-5600U处理器的Linux主机上生成大约10万个任务并且平均需要10分钟。
核心仿真模块：核心仿真模块负责从配置文件加载和运行Edge Computing场景。 另外，它提供了一个记录机制来将仿真结果保存到文件中。 结果默认以逗号分隔值（CSV）数据格式保存，但可以更改为任何格式。
网络模块：尤其是网络模块通过考虑上传和下载数据来处理WLAN和WAN中的传输延迟。移动客户端可以使用蜂窝网络或WLAN来访问云服务。在CloudSim中，可以在网络组件之间添加链路延迟，但这些延迟对于所有用户是固定的和固定的。但是，如果我们考虑移动设备，网络链接质量可能会不时变化。另外，如果许多移动设备使用相同的Wi-Fi接入点，则大量设备将不可避免地增加局域网（LAN）或WLAN通信的链路延迟。为了更准确地模拟局域网，城域网（MAN）和广域网通信，EdgeCloudSim提供了一个联网模块。在将任务发送到VM或从VM下载任务结果之前，上传/下载操作的传输延迟是通过我们的网络链接模型计算出来的。网络模块的默认实现基于单个服务器队列模型。 EdgeCloudSim的用户可以将他们自己的网络行为模型合并到网络模块中。目前，我们正在研究大规模WAN延迟特征众包项目，并计划将实际的WAN延迟分布模型纳入网络模块。
Edge Orchestrator模块：Edge Orchestrator module是系统的决策者。它使用从其他模块收集的信息来决定如何以及在哪里处理传入的客户端请求。在第一个版本中，我们只是使用概率方法来决定在哪里处理传入任务，但通过扩展抽象Edge Orchestrator类可以添加更加真实的边缘协调器。边缘协调器与边缘服务器层有很强的关系，如图3所示。在EdgeCloudSim中，主机部署了一个位于具有预定义无线覆盖范围的固定物理位置的WLAN。近旁主机服务的虚拟机基本上是CloudSim提供的标准虚拟机，具有较低的容量和更加实际的CPU利用率模型。在CloudSim中，带宽，RAM，CPU和存储资源是创建VM时考虑的有限资源。说到这些任务，对虚拟机上运行的任务数量没有限制。如果有很多任务需要运行，简单地说，执行任务需要更长的时间。但是，这种现象对于我们的场景来说并不合理，因为我们希望云在很短的时间间隔内处理传入任务。因此，我们为VM中并行运行的最大任务数量受限的VM实施新的CPU利用率模型。单个任务的CPU利用率是静态的，并在配置文件中定义。还可以通过重写相关的CPU利用率类来实现动态利用率模型。
移动模块：移动设备的位置是根据移动性模块进行更新。由于CloudSim专注于传统的云计算原则，因此在框架中不考虑移动性。在我们的设计中，每个移动设备都有根据动态管理的哈希表进行更新的x和y坐标。 除了移动设备之外，我们还定义了使用专用Wi-Fi接入点的位置。作为默认的无线电行为，假设Wi-Fi接入点的覆盖范围是固定的，并且所有覆盖的客户端的链路质量都是相同的，无论它们与相关接入点的距离如何。
负载生成器模块：负载生成器模块负责为给定配置生成任务。移动性和负载生成器模块是为其他组件提供输入的主要组件。它们在同一个（Mobile Client）层中进行处理，如图3所示。它们可以收集CloudSim单独无法提供的其他结果，例如平均局域网延迟，由于移动性导致的平均失败任务数和平均移动数客户在特定的位置。默认情况下，任务根据泊松分布生成，移动设备根据游牧移动模型移动。如果需要其他任务生成或移动模型，则应修改移动设备管理器模块。应该注意的是，数据大小和任务的长度应该根据所选任务生成分布以适当的分布来决定。这些变量默认是指数分布的随机数，因为任务按泊松分布到达。
四、EDGECLOUDSIM在操作中：脸部识别使用案例
为了评估EdgeCloudSim上不同边缘计算体系结构的性能，我们建立了一个类似于大学校园的虚拟环境，在这里学生四处走动，并从位于特定领域建筑物的边缘服务器请求服务。在我们的示例场景中，考虑可能是增强现实应用程序的一部分的人脸识别应用程序，因此以下将提及的服务是指人脸识别服务。我们比较了三种不同的架构，这三种架构是（i）单层，（ii）双层，和（iii）带边缘协调器（EO）的双层架构。单层体系结构允许移动设备利用与学生位于同一建筑物中的边缘服务器。当谈到两种架构时，移动设备可以使用连接的接入点提供的WAN连接将他们的任务发送到全球云。具有EO体系结构的双层体系具有相当大的优势，因为对于在第一层上执行的任务，只有具有EO体系结构的两层才能将任务卸载到位于不同建筑物中的任何边缘服务器。假设边缘服务器和边缘协调器连接到同一个网络。图4显示了一个通用的边缘计算体系结构。
学生按照游牧的移动模型在建筑物内移动，在经过一段随机时间后，他们移动到另一个地方[16]。 在我们的模型中，有三种位置类型具有不同的吸引力水平。 如果位置的吸引力水平很高，学生可能会在那个地方花更多时间。 例如，学生比图书馆花更多的时间在图书馆或咖啡厅。 移动模型如图5所示，其中gamma;是停留时间，beta;ij是从位置i移动到位置j的概率。 在我们的模拟中，位置的吸引力水平直接影响学生在相关地点的停留时间。 事实上，移动到任何位置的可能性对于所有位置都是相同的。
假设每个地方都被专用的WiFi接入点覆盖，并且移动设备在移动到相关位置时加入相关的WLAN。加入WLAN后，移动设备开始向边缘服务器发送任务。如果决定将任务卸载到全球云，则使用由Wi-Fi接入点提供的WAN连接。这些任务具有随机的输入/输出文件大小以上传/下载，并且根据指令的数量具有随机的长度。在现实生活中，客户可能会使用不同类型的服务。在我们的模拟中，我们建模一个人脸识别应用程序，其中需要高CPU计算量，少量数据下载以及更大量的数据上传。考虑到典型的jpeg图像，我们使用1500 KB的上传数据大小，以及15 KB的下载数据大小引用已识别的人员的元数据。为了更真实地模拟现实生活，我们决定使用开/
全文共11088字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[15088]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
