Breaking the limits of community saturation in NEPTUNE: novel methods for optimized function placement in MEC

Efficient resource allocation in Multi-Access Edge Computing (MEC) infrastructures poses a significant challenge, particularly when dealing with dynamic workloads and latency-sensitive applications. NEPTUNE, a framework developed at Politecnico di Milano, was designed to optimize the placement of serverless functions within MEC environments while addressing the constraints of limited resources. This thesis focuses on the issue of community saturation in MEC infrastructures and proposes three resolution strategies: the first is based on a clustering algorithm with shared boundary nodes, allowing node overlap between adjacent communities to increase flexibility in resource usage; the second adopts a balanced clustering approach that considers computational capacity rather than just node count, promoting a more equitable workload distribution; the third introduces the EF-TTC (Edge FaaS-Top Trading Cycles) algorithm, which optimizes serverless function placement to enable larger community formations and reduce fragmentation. Through experimental evaluation, the three solutions are analyzed in terms of response time, computational complexity, and proximity to the optimal result. The findings demonstrate a reduction in latency, more efficient use of resources, and better overall performance compared to conventional approaches.

L'allocazione efficiente delle risorse nelle infrastrutture di Multi-Access Edge Computing (MEC) rappresenta una sfida cruciale, soprattutto nella gestione di carichi di lavoro dinamici e applicazioni sensibili alla latenza. NEPTUNE, un framework sviluppato presso il Politecnico di Milano, è stato progettato per ottimizzare il posizionamento delle funzioni serverless all'interno di ambienti MEC, affrontando i vincoli imposti dalla limitatezza delle risorse. Questa tesi analizza in particolare il problema della saturazione delle comunità MEC e propone tre strategie risolutive: la prima si basa su un algoritmo di clustering con nodi condivisi ai confini, che consente la sovrapposizione di nodi tra comunità adiacenti per una maggiore flessibilità nell’uso delle risorse; la seconda adotta un clustering bilanciato fondato sulla capacità computazionale dei nodi, piuttosto che sul loro numero, promuovendo una distribuzione più equa dei carichi; la terza introduce l’algoritmo EF-TTC (Edge FaaS-Top Trading Cycles), che ottimizza il posizionamento delle funzioni serverless, consentendo la formazione di comunità più grandi e una riduzione della frammentazione. Attraverso un’analisi sperimentale, le tre soluzioni sono state valutate in termini di tempo di risposta, complessità computazionale e vicinanza al risultato ottimale. I risultati evidenziano una riduzione della latenza, un uso più efficiente delle risorse e migliori prestazioni rispetto agli approcci convenzionali.