多层5G边缘网络中面向大数据处理的服务质量感知资源分配研究

As the proliferation of 5G and Internet of Things, the number of edge devices has increased significantly, generating massive data. In order to obtain timely valuable information and interesting patterns from big data, low latency big data analytics and processing must be done. Multi-tiered 5G edge networks are popular to make big data analytics, due to their widely and distributed abundant resources of edge nodes and data centers, which can guarantee the large resource requirements of users, provide ultra-low latency services and drastically reduce energy consumption of users. This project studies the quality of service (QoS) aware resource allocation for big data analytics and processing in multi-tiered edge networks. To this end, we first effectively solve the problems of user mobility and energy consumptions, the placement and replication of big data in edge networks, resource optimization et. al. We then model energy consumptions, propose efficient offline and online task offloading strategies, the placement algorithms of big data and their replicas in edge networks, dynamic resource allocation algorithms et. al. The objective is to maximize the QoS of users and resource utilization, while meeting the requirements of users. We finally built large scale simulation testbed and a real multi-tiered 5G edge networks, evaluate the performance of the proposed algorithms based on real datasets. The proposed algorithms and theories will significantly improve the QoSs of users and resource utilization, reduce the delay experienced by users, provide theoretical guarantees to make services and applications in edge networks more popular in peoples’ daily lives.

随着5G和物联网技术的发展，网络边缘设备数量急剧增加，产生海量数据。为了及时得到大数据的价值信息，必须进行低时延大数据分析和处理。多层5G边缘网络架构因其广泛分布的距离用户较近的丰富的边缘节点和数据中心资源，保证大数据分析的高资源需求，提供极低延迟服务和节省用户能耗，而变得炙手可热。本课题研究多层5G边缘网络中面向大数据处理的服务质量感知资源分配问题，首先旨在有效解决用户移动性和能耗管理、大数据及其副本在网络中的存放和管理、资源优化等问题。然后针对这些问题，进行能耗建模，提出高效任务迁移、数据放置、动态资源分配等优化算法。最终目标是满足用户约束的条件下，最大化用户服务质量和资源利用率。最后将搭建大规模仿真平台和真实多层边缘网络并利用真实大数据集对提出的优化算法进行验证。本课题提出的多种优化算法和理论将大幅提高用户服务质量和资源利用率、降低用户感知时延，为边缘网络应用进一步普及提供理论保障。

随着5G技术的发展和智能设备的广泛使用，越来越多的应用，如虚拟现实、增强现实、实时视频分析等需要大量的计算资源，海量的数据被生成。用户和移动设备的计算能力以及电量有限，移动边缘云(MEC)中每个基站的计算能力有限，用户对服务的QoS如响应时延和数据处理任务的完成延迟以及数据年龄有更高的需求。此外，这些产生的大数据存储在不同的地理数据中心，对位于不同地理位置的数据中心中的数据执行大数据分析通常既耗时又昂贵。有时用户可能只对及时的近似而不是精确的查询结果感兴趣。在这种近似查询评估的情况下，应用程序必须在及时性上进行弱化以获得更准确的评估结果，或者在误差范围内容忍具有稍低精度的评估结果，以满足其严格的时延要求。因此，本课题研究多层5G边缘网络中面向大数据处理的服务质量感知资源分配问题，对这些具有挑战性的问题进行建模、提出高效任务迁移、数据放置、动态资源分配等优化算法，在满足用户QoS约束的条件下，最小化用户设备或基站电量消耗或等待时延、最大化用户服务质量和资源利用率、最小化数据年龄等，有效解决用户移动性和能耗管理、大数据及其副本在网络中的存放和管理、资源优化等问题。最后本课题还搭建了大规模仿真平台和真实多层边缘网络并利用真实大数据集对提出的优化算法进行验证。本课题提出的多种优化算法和理论大幅提高了用户服务质量和资源利用率、降低用户感知时延，为边缘网络应用的进一步普及提供了理论保障。