Ein Deep-Learning-Ansatz für mobilitätsbewusste und energieeffiziente Ressourcenallokation in MEC

Mobile Edge Computing (MEC) hat sich als eine Alternative zum Cloud Computing entwickelt, um die Latenz- und Qualitätsanforderungen (QoS) von mobilen Geräten zu erfüllen. In diesem Papier untersuchen wir das Problem der Serverressourcenzuteilung in MEC. Aufgrund der dynamischen Lastbedingungen auf MEC-Servern müssen deren Ressourcen intelligent genutzt werden, um die QoS-Anforderungen der Benutzer zu erfüllen und den Energieverbrauch der Server zu minimieren. Wir präsentieren einen neuartigen Algorithmus zur Ressourcenallokation, genannt Power Migration Expand (PowMigExpand). Unser Algorithmus weist Benutzeranfragen dem optimalen Server zu und ordnet an User Equipment (UE) eine optimale Menge an Ressourcen basierend auf unserer umfassenden Nutzenfunktion zu. PowMigExpand migriert auch UE-Anfragen zu neuen Servern, wenn dies aufgrund der Mobilität der Benutzer erforderlich ist. Zudem stellen wir einen kostengünstigen, energieeffizienten Smart Allocator (EESA) Algorithmus vor, der Deep Learning für die energieeffiziente Zuteilung von Anfragen an optimale Server nutzt. Die vorgeschlagenen Algorithmen berücksichtigen die wechselnde Last eingehender Anfragen und deren heterogene Natur, die energieeffiziente Aktivierung von Servern und die Migration von Virtuellen Maschinen (VM) zur intelligenten Ressourcenallokation und sind somit der erste umfassende Ansatz zur Lösung des komplexen und multidimensionalen Problems der Ressourcenallokation mithilfe von Deep Learning. Wir vergleichen unsere vorgeschlagenen Algorithmen mit anderen Ansätzen zur Ressourcenallokation und zeigen, dass unser Ansatz die dynamischen Lastbedingungen besser bewältigen kann. Die vorgeschlagenen Algorithmen verbessern die Service-Rate und den Gesamtnutzen bei minimalem Energieverbrauch. Im Durchschnitt reduziert er den Energieverbrauch der MESs um 26 % und verbessert die Service-Rate um 23 % im Vergleich zu anderen Algorithmen. Außerdem erreichen wir mehr als 70 % Genauigkeit für EESA bei der Zuteilung der Ressourcen mehrerer Server an mehrere Benutzer.