Task Allokation für effiziente Edge Computing Systeme

Im Bereich von Edge Computing nimmt die Rechenleistung in direkter Nähe zu den Sensoren stetig zu. Infolgedessen gibt es immer mehr rechen- und datenintensive Anwendungen, die im Edge Bereich ausgeführt werden können. Gleichzeitig befinden sie sich in einer sich ständig verändernden Systemumgebung.
Um Ausfallzeiten und lange Redesign-Schleifen zu reduzieren, werden Selbstanpassungsfähigkeiten benötigt. Die automatische Reallokation der ausgeführten Aufgaben auf die Rechenknoten ist eine mögliche Selbstanpassungsmaßnahme. Die Reallokation sollte jedoch mit den verschiedenen Anforderungen, Einschränkungen und Spezifikationen des Entwurfs konform sein. ... mehrDabei besteht eine große Herausforderung darin, dass die Allokationsentscheidung schnell genug für die Berechnung zur Laufzeit sein sollte. Der Fokus dieser Arbeit ist die Realisierung einer effizienten Allokation, die Bedürfnisse in Form von Policies nutzt, um eine automatische Reallokation zur Laufzeit zu berechnen.
In dieser Arbeit wurde eine effiziente Allokationsmethode entwickelt, die eine kombinierte Betrachtung von Ressourcenverfügbarkeit, Anwendungsbedarf und problemspezifischer Effizienzdefinition realisiert. Der Ansatz verfolgt eine modulare Beschreibung dieser Aspekte für die Allokation in Form von komponentenspezifischen Policies. Ein besonderer Schwerpunkt liegt auf der Allokation aufgrund von Veränderungen im laufenden Betrieb. Hierfür wird das Zuordnungsproblem zur Entwicklungszeit modelliert und die Informationen im Betrieb genutzt.
Mit diesem Konzept konnten zwei industrielle Anwendungen modelliert und unterschiedliche Zuordnungen berechnet werden. Die Skalierbarkeit des Konzepts wurde durch Messungen validiert. Die Reallokation zur Laufzeit wurde mit einem Container Framework implementiert. Darauf aufbauend wurde der Overhead der Allokationsberechnung zur Laufzeit gemessen und in den Kontext der Reallokationszeit gesetzt.
Die Berechnung einer effizienten Allokation trägt zur Autonomie von Recheninfrastrukturen bei. Dadurch erhöhen sich die Fähigkeiten zur Selbstadaption und die Resilienz dieser Rechennetze. Das spielt nicht nur im industriellen Edge-Cloud Kontext eine Rolle, sondern auch im Automobil, wenn zur Laufzeit über dynamische Betriebsstrategien entschieden werden soll.

In the field of edge computing, the computational power in close proximity to sensors is constantly increasing. As a result, a growing number of compute- and data-intensive applications are able to run at the edge. At the same time, they are in a constantly changing system environment.
To reduce downtime and long redesign loops self-adaptation capabilities are needed. Automatic reallocation of the executed tasks to the compute nodes is a possible self-adaptation measure. However, the reallocation should be compliant with the different demands, constraints and specifications from the design. ... mehrAt the same time a major challenge is that the allocation decision should be fast enough for calculation at runtime. The focus of this work is to realize efficient allocation that uses demands in the form of policies to compute automatic reallocation at runtime.
In this work, an efficient allocation method was developed that combines consideration of resource availability, application demand, and problem-specific efficiency definition. The approach follows a modular description of these aspects for the allocation in the form of component-specific policies. A special focus is on the allocation due to changes during operation. For this purpose, the allocation problem is modeled at development time and the information is used in operation.
With this concept, two industrial applications were modeled and different allocations were calculated. The scalability of the concept was validated by measurements. The reallocation at runtime was implemented using a container framework. Based on this, the overhead of the allocation calculation at runtime was measured and put into the context of the reallocation time.
Efficient allocation of computational power contributes to the autonomy of computing infrastructures. This increases the ability for self-adaptation and the resilience of these computing networks. This plays a role not only in the industrial edge-cloud context, but also in automotive applications when dynamic operational strategies are to be decided at runtime.