Multi-Access Edge Computing és AI technológiákkal támogatott kollektív érzékelés vizsgálata Cloud-in-the-Loop szimulátorban
A felhő alapú számítástechnika világában az elmúlt évek során egyre nagyobb szerepet kezdett betölteni az edge computing. Ezeknek a rendszereknek a legnagyobb előnye a felhős erőforrások elosztottságában rejlik. A centralizált felhővel szemben az edge architektúráknak a decentralizált, lokális kiszolgálás a feladata, ezáltal nem csak a hardveres erőforrások elosztottsága, de a hálózati terheltség kiegyenlítése (load balancing) is megvalósítható. Az egyik legnagyobb szabványosító szervezet, az ETSI, Multi-Access Edge Computing (MEC) [1] néven azonosítja a modellt, amelynek célja egy, a jövő hálózataiba hatékonyan, problémamentesen integrálható, szabványos elosztott felhőinfrastruktúra rendszer kialakítása. Fontos kiemelni, hogy az 5. generációs celluláris mobilhálózatok (5G) architektúrális felépítése kézenfekvő alapot nyújt a MEC rendszerekkel való közös működésre [2]. Ötvözve az edge computing koncepció előnyeit az 5G-s rendszerek szolgáltatásaival, rengeteg új használati eset valósítható meg és a korábbi szolgáltatások hatékonyabbá tétele is kivitelezhető. Ennek az egyik legnagyobb haszonélvezője az autóipar lehet, ahol a járműkommunikációs (V2X) szolgáltatásokból eredő nagy mennyiségű adat hatékony feldolgozására van szükség. Ezen a területen a MEC rendszerek legnagyobb előnyét az adja, hogy a járműveken való lokális információfeldolgozás helyett ezek a feladatok kiszervezhetőek az edge erőforrásokra. Így lehetőség nyílik a szenzor adatok kollektív, fúzióval erősített feldolgozására, amely elősegíti a való világ hatékonyabb virtuális leképezését. A több forrásból gyűjtött információ segítségével sokkal pontosabb, megbízhatóbb visszajelzések generálhatók a forgalmi résztvevők részére, ezzel biztonságosabbá és hatékonyabba téve a közlekedést. Az 5G és MEC rendszerek ötvözésével olyan használati esetek implementálására lesz lehetőség a jövőben, mint a valós idejű, nagy felbontású HAD térképek [3] vagy az optimális járműforgalom-menedzsment. A V2X vonatkozású MEC alkalmazásokban a mesterséges intelligencia tölt majd be kiemelkedő szerepet, melynek nagy előnyét a kollektív adatgyűjtés és adatfúzió mellett a hálózati késleltetések csökkentése és a felhasználói eszközök tehermentesítésének lehetősége adja.
Ezeknek a technológiáknak hatékony implementálása komplex feladat, továbbá olyan biztonság-kritikus területen, mint az autóipar, számos követelmények is meg kell felelni. A valós infrastruktúrákon, valós járművekkel végzett vizsgálatokat megelőzően az egyik legfontosabb feladat a MEC rendszerek tesztelése, validálása. Erre nyújt megoldást a korábban kialakított, azóta számtalan fejlesztésen átesett Cloud-in-the-Loop (CiL) szimulációs keretrendszer [4], amely forgalomszimulátorból kinyert adatok alapján képes egy valós méretű, telco-grade szintű, Kubernetes [5] alapú edge cloud infrastruktúrát vezényelni és azon nagyfelbontású mérési adatokat gyűjteni. Ez a MEC rendszer teljesítményanalízise mellett lehetőséget teremt komplex, járműipari használati eseteket kiszolgáló cloud-native alkalmazások működésének és teljesítményének mélyreható elemzésére is. A dolgozatban a célom a keretrendszert alkalmazva, a járművek által a MEC infrastruktúra felé továbbított videójel alapú szenzoradatfolyamot modellezve, egy valós, mély tanulás alapú objektumdetekciós modellt implementáló, saját fejlesztésű cloud-native alkalmazás gyakorlati vizsgálata autóipari felhasználás szempontjából. A mérések fókuszában az edge architektúra elosztott erőforrásai közötti váltások okozta hatások vizsgálata áll, továbbá a MEC rendszer által kiszolgált felhasználók (járművek) okozta háttérterhelés miatti teljesítménycsökkenés elemzése. A vizsgálatok során különböző járműforgalmi szituációkat implementálva az AI-alapú objektumdetekciós alkalmazás működését analizálom az edge csomópontok terheltségének, a hálózat bizonyos Quality of Service (QoS) paramétereinek, és a cloud native működés különféle mechanizmusainak a szempontjából.
Hivatkozások:
[1] ETSI, ‘Multi-access Edge Computing (MEC); Framework and Reference Architecture (ETSI GS MEC 003)’, Mar. 2022.
[2] Sami Kekki et al., ‘MEC in 5G networks (ETSI White Paper No. 2)’, Jun. 2018.
[3] H. Ma, S. Li, E. Zhang, Z. Lv, J. Hu, and X. Wei, ‘Cooperative Autonomous Driving Oriented MEC-aided 5G-V2X: Prototype System Design, Field Tests and AI-based Optimization Tools’, IEEE Access, vol. PP, pp. 1–1, Mar. 2020, doi: 10.1109/ACCESS.2020.2981463.
[4] L. Maller, P. Suskovics, and L. Bokor, ‘Cloud-in-the-Loop simulation of C-V2X application relocation distortions in Kubernetes based Edge Cloud environment’, in 2022 26th International Conference on Information Technology (IT), 2022, pp. 1–4. doi: 10.1109/IT54280.2022.9743520.
[5] ‘Kubernetes’. https://kubernetes.io/ (Letöltés: 2022. október 1.)
szerző
-
Maller Levente Márk
Villamosmérnöki szak, mesterképzés
mesterképzés (MA/MSc)
konzulensek
-
Dr. Bokor László
egyetemi docens, Hálózati Rendszerek és Szolgáltatások Tanszék -