SWAVES: Bereitstellung softwarisierter Dienste in Wellen um mobile Nutzer

• Antragsteller: Professor Dr. Holger Karl
• Fachliche Zuordnung: Sicherheit und Verlässlichkeit, Betriebs-, Kommunikations- und verteilte Systeme
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 512359107

In vielen Anwendungsszenarien interagieren Nutzer mit Diensten, die in Servern zur Verfügung gestellt werden. Um geringe Latenzen sicherzustellen ist es oftmals sinnvoll, solche Dienste nahe beim Nutzer auszuführen, beispielsweise am Rande eines mobilen Zugangsnetzes; dies wird meist als Edge Computing bezeichnet. Daraus ergeben sich eine Vielzahl interessanter Probleme beim Management solcher verteilten Dienste, zum Beispiel wie viele Instanzen eines Dienstes wo ausgeführt werden sollen. Diese Fragen wurden bereits umfangreich untersucht, allerdings oft unter stark vereinfachenden Annahmen. Beispielsweise wird oft angenommen, dass ausführbarer Code für alle Dienste überall verfügbar ist. Dies ist aber unrealistisch, etwa wegen limitierten Speicherplatzes (insbes. in sog. Internet-of-Things Szenarien), beschränkter Datenrate, oder der oft nur geringen Wahrscheinlichkeit, dass ein Dienst überhaupt an einem bestimmten Ort benötigt wird. Es ist daher das Ziel dieses Projektes Verfahren zu erforschen, die ausführbaren Code an jenen Edge-Sites zur Verfügung zu stellen, an denen der Code tatsächlich benötigt wird. Dabei werden wir den Abgleich etwa zwischen Verteilaufwand und Speicherbedarf beachten und z. B. Vorhersagen der Nutzermobilität mit einbeziehen. Zusätzlich werden wir unterschiedliche Formen von Code berücksichtigen: von reinem Quellcode (der vor Ausführung noch übersetzt werden müsste aber sehr klein ist) bis hin zu ausführbereiten Virtual Machine-Abbildern. Ebenso kann Code in verschiedener Form ausgeführt werden, etwa lediglich als „cold standby“ oder als ein aktives Replikat (active/active replication). Wir werden dazu sowohl konventionelle Optimierungsansätze wie auch Ansätze des maschinellen Lernens untersuchen; wir werden die entstehenden Tradeoffs und deren Abhängigkeit von Parametern (etwa der Vorhersagegenauigkeit) charakterisieren. Zusätzlich werden wir praktische Beiträge leisten, in dem wir Leistungsprofile (z. B. Übersetzungszeiten) für populäre Dienste zu unserem SNDZoo hinzufügen werden und diese Daten damit anderen Forschern als Arbeitsgrundlage für empirische Arbeiten bereitstellen.

• DFG-Verfahren: Sachbeihilfen