工研院資通所  徐逸懷 楊人順

霧運算可以解決傳統雲端運算耗費頻寬以及回覆延遲過長的問題，但如何有效管理霧運算資源，以滿足大量裝置的不同服務品質需求是一個很重要的議題。本文提出一可虛擬化小型基地台組成霧運算之階層式管理架構，有效地管理與配置運算資源並降低大量裝置之應用需求回覆延遲，適用於高延遲敏感需求的擴增實境／虛擬實境（AR／VR）應用服務。

AR／VR運算卸載與霧運算

由於擴增實境／虛擬實境（AR／VR）、影音串流、鄰近應用（Proximity）服務等需求的興起，並隨著物聯網裝置（IoT device）的快速增加使得應用服務有更多樣化的發展，各式裝置所產生的大量資料需要上傳至雲端伺服器，如此勢必消耗大量網路頻寬，也會使雲端伺服器附載過重。此外，各式各樣的裝置有著不同的服務品質需求（Quality of Service），網路頻寬不足以及雲端伺服器附載過重等因素導致傳統雲端運算架構無法滿足大量裝置的不同服務品質需求，也無法滿足高延遲敏感的AR／VR應用服務的服務品質需求。因此，霧運算（Fog computing）技術油然而生。
霧運算是由Cisco所率先提出的概念，也是雲端運算的延伸。霧運算將傳統雲端運算的計算、儲存等功能從遠端集中式的雲端伺服器，移到距離連網裝置較近的分散式無線存取點、基地台、閘道器、路由器等裝置上。霧運算架構如圖1所示。如此一來，霧運算不必再將全部的資料上傳到雲端伺服器，可將部分資料在邊緣裝置上處理，如此可節省網路頻寬消耗、降低雲端伺服器的附載以及降低資料傳輸回應延遲，進而滿足大量裝置不同的服務品質需求以及高延遲敏感需求的AR／VR應用服務。霧運算技術與傳統雲端運算技術的比較如表一所示。霧運算可以解決傳統雲端運算耗費頻寬以及封包延遲過長的問題，但如何有效管理霧運算的運算資源是一個很重要的議題。

霧運算相關文獻

Truong等人[1]提出用軟體定義網路控制器控制底下的路邊基地台控制器／路邊基地台網路行為以及霧運算資源，路邊基地台控制器會儲存本地路段訊息供路邊基地台使用以及執行緊急服務。Deng等人[2]提出延遲敏感請求由霧運算處理，其餘的請求則轉送到雲端伺服器，考量能量消耗／運算時間／傳輸延遲等因素來分配請求到雲端伺服器。
Shojafar等人[3]提出用路邊基地台做為霧運算節點，每個霧運算節點根據車輛的延遲以及延遲抖動（delay-jitter）需求來配置霧運算資源，以滿足車輛的服務品質需求。Sarkar等人[4]提出三層霧運算架構，第一層是行動裝置，第二層是由閘道器／路由器／存取點組成的霧層，第三層就是雲端層，並比較此架構與傳統雲端架構的差異。Yu等人[5]提出利用增強式雲端無線存取網路為微雲，提供運算服務給其下基地台內的車輛。Xiang等人[6]提出利用大型基地台處理控制訊號並利用遠端無線頭端（Remote Radio Head）處理資料訊號。用戶裝置及遠端無線頭端皆為霧運算的一部分。多數論文皆利用邊緣裝置（閘道器、路由器、基地台）提供運算服務，但目前尚無文獻探討階層式管理霧運算資源。

階層式霧運算管理架構

階層式霧運算管理架構如圖2所示，在圖2中，多個可虛擬化小型基地台（霧運算節點）透過無線中繼的方式形成一個無線中繼霧運算，每個區域控制器管理多個霧運算節點，區域控制器本身也是一個霧運算節點並透過無線中繼的方式與基地台互連。在核心網路（Evolved Packet Core）中佈建一個全域控制器，全域控制器負責管理多個區域控制器並統整各個區域控制器內的運算資源。

霧運算節點的功能關聯設計如圖3所示，霧運算節點主要由四個功能所組成，分別為過濾器、資源池監控器、應用請求處理器以及資源池。過濾器的主要功能為判別來自聯網裝置的請求是否延遲敏感，若是（例：AR／VR請求），則將此請求在此霧運算節點內處理並啟動應用請求處理器，否則，則將此請求上傳到區域控制器再處理。
資源池監控器主要功能為監控此霧運算節點內資源池中虛擬機（Virtual Machine）的使用率，並將此監控結果回報給應用請求處理器以及此霧運算節點所屬的區域控制器。應用請求處理器會根據此請求有多少資料量要處理以及此請求的延遲限制來決定要配置多少虛擬機給此請求，若霧運算節點的剩餘可用虛擬機數量大於決定配置給此請求的虛擬機數，則配置決定好的虛擬機數給此請求，否則，將剩餘可用虛擬機全配置給此請求外，會再跟區域控制器請求配置額外的虛擬機以服務此請求。資源池中包含多個運算資源單元（虛擬機）。

區域控制器的功能關聯設計如圖4所示，區域控制器主要由四個功能所組成，分別為區域過濾器、區域資源監測器、區域資源管理器及軟體定義網路控制器。區域過濾器的主要功能為判別來自霧運算節點的請求是否延遲敏感，若是，則將此請求在此區域控制器下處理並啟動區域資源管理器，否則，則將此請求轉送到全域控制器再處理。
區域資源監測器主要功能為監控此區域控制器下所有霧運算節點的運算資源（虛擬機使用率）並將此監控訊息回報給區域資源管理器以及全域資源管理器。區域資源管理器主要功能為協調不同霧運算節點間的虛擬機配置，若此區域控制器下第i台霧運算節點請求支援N台虛擬機，則區域控制器會先判斷在其管轄範圍內其他台霧運算節點是否足夠提供N台虛擬機，若足夠，則區域控制器會根據與第i台霧運算節點間路由延遲最低的霧運算節點依序開始配置N台虛擬機，否則，則將此請求上傳到全域控制器再做處理。軟體定義網路控制器主要功能為計算霧運算節點間最短延遲路徑並回報此結果給區域資源管理器。

全域控制器的功能關聯設計如圖5所示，全域控制器主要由三個功能所組成，分別為全域過濾器、全域資源監測器及全域資源管理器。全域過濾器的主要功能為判別來自區域控制器的請求是否延遲敏感，若是，則將此請求在全域過濾器下處理並啟動全域資源管理器，否則，則將此請求轉送到雲端伺服器再處理。
全域資源監測器主要功能為監控此全域控制器下所有區域控制器內的運算資源（每個區域控制器內所有霧運算節點的運算資源），並將此監控訊息回報給全域資源管理器。全域資源管理器主要功能為協調不同區域控制器間的虛擬機配置，若此全域控制器下第k台區域控制器請求支援N台虛擬機，則全域控制器會先判斷在其管轄範圍內其他台區域控制器下是否足夠提供N台虛擬機，若足夠，則全域控制器會根據與其他台區域控制器傳輸延遲最低的區域控制器依序開始配置N台虛擬機，否則，則將此請求上傳到雲端伺服器再做處理。

可虛擬化小型基地台組成霧運算之階層式管理架構，有效管理霧運算資源並降低大量裝置之應用需求回覆延遲，此架構適用於高延遲敏感需求的AR／VR應用服務。解決策略是使用區域控制器管理單一網域之可虛擬化小型基地台的運算資源，並使用全域控制器管理多個網域的區域控制器並統整各個區域控制器內的運算資源，有效管理並配置霧運算資源以滿足不同裝置之服務品質需求。

參考文獻

[1]Nguyen B. Truong, Gyu Myoung Lee, and Yacine Ghamri-Doudane," Software defined networking-based vehicular Adhoc Network with Fog Computing," in Proc. IEEE International Symposium on Integrated Network Managemen, 2015.
[2]Ruilong Deng, Rongxing Lu, Chengzhe Lai, Tom Hao Luan, and Hao Liang, "Optimal Workload Allocation in Fog-Cloud Computing Towards Balanced Delay and Power Consumption," in IEEE Internet of Things Journal, 2016.
[3]Mohammad Shojafar, Nicola Cordeschi, and Enzo Baccarelli," Energy-efficient Adaptive Resource Management for Real-time Vehicular Cloud Services," in IEEE Transactions on Cloud Computing, 2016.
[4]Subhadeep Sarkar and Sudip Misra, "Theoretical modelling of fog computing: a green computing paradigm to support IoT applications," in IEEE IET Networks, 2016.
[5]Rong Yu, Jiefei Ding, Xuming Huang, Ming-Tuo Zhou, Stein Gjessing, and Yan Zhang," Optimal Resource Sharing in 5G-enabled Vehicular Networks: A Matrix Game Approach," in IEEE Transaction on Vehicular Technology, 2016.
[6]Hongyu Xiang, Mugen Peng, Yuanyuan Cheng, and Hsiao-Hwa Chen, "Joint Mode Selection and Resource Allocation for Downlink Fog Radio Access Networks Supported D2D," in Proc. IEEE International Conference on Heterogeneous Networking for Quality, Reliability, Security and Robustness, 2015.