Optimized data management for edge computing: a mixed integer programming approach

This thesis explores an optimized approach to data management in Multi-Access Edge Computing (MEC), which has gained attention as a critical enabler of real-time, latency-sensitive applications such as IoT networks, smart cities, and autonomous driving. These applications demand rapid data processing and allocation close to the computing source. Traditional cloud computing approaches face difficulties meeting these requirements due to inherent latency and bandwidth constraints associated with centralized processing. Consequently, this work introduces a Mixed Integer Programming (MIP) model to address these challenges by optimizing data and computation placement across geographically distributed, resource-constrained edge nodes. The research presented here centers on a dynamic data replication strategy that adapts to real-time fluctuations in user workload demand. The mathematical model addresses critical aspects of data management, including replica placement and function deployment. The model introduces a cost function designed to minimize latency while considering operational and reconfiguration costs. To validate the proposed model, this thesis incorporates simulation-based analyses that demonstrate the model's ability to reduce time related to remote data access. Experimental results show significant improvements in latency. The findings suggest that integrating data and computation management and can provide a robust solution for MEC systems, enhancing their ability to handle real-time, data-intensive tasks efficiently. This work contributes to the emerging field of edge computing by presenting a cost-effective approach to data management, with potential applications in various sectors requiring real-time, decentralized data processing.

In questo lavoro di tesi si esplora la possibilità di un approccio ottimizzato alla gestione dei dati nel Multi-Access Edge Computing (MEC), un settore che ha recentemente suscitato grande interesse per il suo potenziale inerente alle applicazioni in cui la latenza è un fattore critico, come le reti IoT, le "smart cities" e la guida autonoma. Queste applicazioni richiedono tempi di elaborazione estremamente ridotti e l'allocazione delle risorse vicino alla fonte dei dati. Il Cloud Computing tradizionale ha difficoltà a soddisfare questi requisiti a causa dei vincoli di latenza e larghezza di banda associati all'elaborazione centralizzata. Per far fronte a ciò, questo lavoro introduce un modello matematico di ricerca operativa lineare misto-intero che mira a ottimizzare la locazione dei dati e della computazione su nodi distribuiti geograficamente e con risorse limitate. La ricerca si concentra su una strategia di replica dinamica dei dati, che si adatta in tempo reale alle fluttuazioni del carico di lavoro causato dagli utenti. Questa strategia garantisce l’accessibilità dei dati e minimizza la latenza senza sovraccaricare le risorse dei singoli nodi. Il modello sviluppato affronta vari aspetti critici tra cui la decisione sul numero di repliche e il posizionamento delle stesse, la distribuzione delle istanze di funzioni e il bilanciamento tra prossimità dei dati e la disponibilità limitata di risorse. Per validare il modello proposto, vengono usate analisi basate su simulazioni che dimostrano la capacità del modello di adattarsi a vari scenari tipici dell' edge computing. I risultati sperimentali mostrano miglioramenti significativi in termini di latenza ed efficienza delle risorse. Questo lavoro contribuisce all’edge computing presentando un approccio flessibile per la gestione dei dati, con applicazioni potenziali in vari settori che richiedono un'elaborazione dati in tempo reale e decentralizzata.