Uma Abordagem de Aprendizado Profundo para Alocação de Recursos Consciente de Mobilidade e Eficiente em Energia no MEC

A Computação de Borda Móvel (MEC) surgiu como uma alternativa à computação em nuvem para atender aos requisitos de latência e Qualidade de Serviço (QoS) de dispositivos móveis. Neste artigo, abordamos o problema da alocação de recursos de servidores no MEC. Devido às condições dinâmicas de carga nos servidores MEC, seus recursos precisam ser utilizados de forma inteligente para atender aos requisitos de QoS dos usuários e minimizar o consumo de energia dos servidores. Apresentamos um novo algoritmo de alocação de recursos, chamado Power Migration Expand (PowMigExpand). Nosso algoritmo atribui solicitações de usuários ao servidor ideal e aloca uma quantidade ótima de recursos para o Equipamento do Usuário (UE) com base em nossa função de utilidade abrangente. O PowMigExpand também migra solicitações de UE para novos servidores, quando necessário, devido à mobilidade dos usuários. Também apresentamos um algoritmo de Alocador Inteligente Eficiente em Energia (EESA) de baixo custo que utiliza aprendizado profundo para alocação eficiente em energia de solicitações a servidores ideais. Os algoritmos propostos consideram a carga variável de solicitações recebidas e sua natureza heterogênea, ativação eficiente em energia de servidores e migração de Máquinas Virtuais (VM) para alocação inteligente de recursos e, assim, é a primeira abordagem abrangente para abordar o complexo e multidimensional problema de alocação de recursos usando aprendizado profundo. Comparamos nossos algoritmos propostos com outras abordagens de alocação de recursos e mostramos que nossa abordagem pode lidar melhor com as condições dinâmicas de carga. Os algoritmos propostos melhoram a taxa de serviço e a utilidade geral com consumo mínimo de energia. Em média, reduz 26% do consumo de energia dos MESs e melhora a taxa de serviço em 23%, em comparação com outros algoritmos. Também obtemos mais de 70% de precisão para o EESA na alocação dos recursos de múltiplos servidores para múltiplos usuários.