联邦云-边-雾系统中基于传统优化与机器学习的卸载综述
网络与互联网体系结构
2022-02-23 v1
摘要
物联网(IoT)设备产生的海量数据需要云、边缘和雾计算范式所提供的计算能力与存储容量。这些计算范式各有优劣。云计算提供增强的数据存储与计算能力，但导致高通信时延。边缘与雾计算以更低时延提供类似服务，但容量、能力与覆盖有限。单一计算范式无法满足物联网设备的所有需求，因此需要它们之间的联邦以扩展容量、能力与服务。这种联邦对订阅者与提供者均有益，也揭示了云、边、雾之间流量卸载的研究问题。传统上优化被用于解决流量卸载问题。然而，在此类复杂联邦系统中，传统优化无法跟上从毫秒到亚秒级的严格决策时延要求。机器学习方法，尤其是强化学习，正变得流行，因为它们能在含大量未知信息的动态环境中快速求解卸载问题。本研究提出云、边、雾间的新颖联邦分类，并给出针对不同联邦场景卸载的综合研究路线图。我们调研了用于解决该卸载问题的各类优化方法文献，并比较其显著特征。随后我们综合综述了联邦系统中基于机器学习的卸载及由此获得的经验。最后，我们概述了为实现此类联邦必须面对的未来研究方向与挑战。
引用
@article{arxiv.2202.10628,
title = {A Survey on Offloading in Federated Cloud-Edge-Fog Systems with Traditional Optimization and Machine Learning},
author = {Binayak Kar and Widhi Yahya and Ying-Dar Lin and Asad Ali},
journal= {arXiv preprint arXiv:2202.10628},
year = {2022}
}
备注
Submitted to IEEE Communications Surveys and Tutorials