Задача маршрутизации в сети динамических туманных вычислений

Обложка

Цитировать

Полный текст

Аннотация

Актуальность. В условиях роста трафика, перехода к сетям IMT-2030 и услугам Телеприсутствия, особое место занимают задачи эффективного управления сетевыми и вычислительными ресурсами. Туманные вычисления, как следующая стадия декомпозиции архитектуры многоуровневых облачных вычислений, призваны в корне изменить модели и методы распределения вычислительных задач, повлияв, в том числе, на модели взаимодействия «пользователь-оператор». На данный момент существует целый пласт научных задач для раскрытия возможностей туманных вычислений. Их возможно разделить на ряд направлений, таких как: исследование моделей и методов реализации услуг сверхнадежных сетей связи с ультрамалыми задержками, определенные еще в сетях IMT-2020; исследование моделей и методов обеспечения качества обслуживания, включая качество восприятия; исследование методов живой миграции микросервисов, а также групп типовых микросервисов; исследование моделей и методов распределения ресурсов динамических туманных вычислений с обеспечением устойчивости форм туманных вычислений (кластера, туманности); одним из потенциально эффективных направлений является исследования в области объединения федеративного обучения (Federated Learning) с динамическими туманными вычислениями. В данной статье решается задача маршрутизации, которую можно отнести к направлению инфраструктурных исследований динамических туманных вычислений. Постановка задачи: исследование эффективных методов определения маршрутов в сети динамических туманных вычислений, в том числе для задач миграции микросервисов услуг Телеприсутствия. Цель работы: исследование и разработка эффективного метода поиска пути миграции микросервисов в сети туманных вычислений, который мог бы обеспечивать учет характеристик соединений (граней графа сети), вычислительные возможности, ограничения устройств туманных вычислений, и их особенности – динамичность устройств вычислений. Используемые методы: для апробации предложенного метода была разработана модель в среде симулятора NS-3. Анализ полученных результатов показал эффективность предложенного метода в рамках поставленной задачи и различных сценариях применения. Новизна: разработан метод миграции микросервисов в качестве нового протокола маршрутизации в среде динамических туманных вычислений, отличающийся от известных тем, что этот метод обеспечивает взаимодействие устройств туманных вычислений для миграции микросервисов, при этом позволяет достичь снижения потребляемой энергии устройствами туманных вычислений на 41 % и уменьшить долю потерянных пакетов в среднем до 34 %. Практическая значимость: разработанный метод может быть использован при реализации туманных вычислений в условиях подвижности конечных устройств, в том числе с целью достижения требований перспективных услуг сетей IMT-2030.

Об авторах

А. Н. Волков

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича

Email: artem.nv@sut.ru
ORCID iD: 0009-0002-4296-1822
SPIN-код: 1311-9824

Список литературы

  1. Кучерявый А.Е., Маколкина М.А., Парамонов А.И., Выборнова А.И., Мутханна А.С., Матюхин А.Ю. и др. Модельная сеть для исследований и обучения в области услуг телеприсутствия // Электросвязь. 2022. № 1. С. 14−20. doi: 10.34832/ELSV.2022.26.1.001. EDN:GBQWCV
  2. Волков А.Н., Мутханна А.С.А., Кучерявый А.Е., Бородин А.С., Парамонов А.И., Владимиров С.С. и др. Перспективные исследования сетей и услуг 2030 в лаборатории 6G Meganetlab СПбГУТ // Электросвязь. 2023. № 6. С. 5−14. doi: 10.34832/ELSV.2023.43.6.001. EDN:CJSYLS
  3. Volkov A., Muthanna A., Koucheryavy A. AI/machine learning for ultra-reliable low-latency communication // ITU News Magazine. 2020. Iss. 5. PP. 65−68.
  4. Лавшук О.А., Листопад Н.И. Метод маршрутизации в сетях IIoT с использованием кластеризации для протокола RPL // Проблемы физики, математики и техники. 2023. № 4(57). С. 74−80. doi: 10.54341/20778708_2023_4_57_74. EDN:RVSCGG
  5. Mariocco C., Doshi K., Guim Bernat F.G., Smith N.M., Spoczynski M., Verrall T., et all. Methods and apparatus to coordinate edge platforms. Patent US, no. US 2021/0014133 A1, 2021.
  6. Тефикова М.Р., Кузьмина Е.А., Волков А.Н. Определение маршрута миграции микросервиса в сети туманных вычислений // Информационные технологии и телекоммуникации. 2023. Т. 11. № 1. С. 50‒60. doi: 10.31854/2307-1303-2023-11-1-50-60. EDN:ETUDJB
  7. Cruz S., Aguiar A. Cooperative Localization in Vehicular Networks Dataset. IEEEDataPort. 2020. URL:https://ieee-dataport.org/open-access/cooperative-localization-vehicular-networks-dataset (Accessed 28 June 2024)
  8. From Images to 3D Shapes (FI3S). Kaggle. URL: https://www.kaggle.com/datasets/lehomme/from-images-to-3d-shapesfi3s (Accessed 20 April 2024)
  9. TikTok Dataset // Kaggle. URL: https://www.kaggle.com/datasets/yasaminjafarian/tiktokdataset (Accessed 20 April 2024).
  10. YouTube Faces With Facial Keypoints. Kaggle. URL: https://www.kaggle.com/datasets/selfishgene/youtube-faces-with-facial-keypoints (Accessed 20 April 2024)
  11. Google Scraped Image Dataset. Kaggle. URL: https://www.kaggle.com/datasets/duttadebadri/image-classification (Accessed 20 April 2024)
  12. Ateya A.A., Muthanna A., Gudkova I., Gaidamaka Y., Algarni A.D. Latency and energy-efficient multi-hop routing protocol for unmanned aerial vehicle networks // International Journal of Distributed Sensor Networks. 2019. Vol. 15 Iss. 8. doi: 10.1177/1550147719866392


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах