Energy-aware service placement strategies in dynamic edge environments

(English) The evolution of Beyond 5G (B5G) networks is transforming mobile communications, enabling interconnected environments and the proliferation of latency-sensitive services, such as real-time Internet of Things (IoT) analytics, immersive Extended Reality (XR) experiences, and generative Artificial Intelligence (AI) as a service. At the forefront of this transformation, edge computing is emerging as a pivotal paradigm extending computation resources closer to end users. Within this spectrum, Multi-Access Edge Computing (MEC) plays a central role by providing standardized, cloud-like capabilities at the edge of access networks. However, the inherent dynamism and distributed nature of MEC, especially in extreme-edge environments, adds significant complexity. The dynamism stems from variable service requirements such as fluctuating workloads, coupled with the dynamic infrastructure that includes heterogeneous nodes, variable connectivity, bandwidth requirements, and mobility across the entire Edge-to-Cloud continuum. Consequently, service placement in these dynamic settings faces substantial challenges, demanding adaptive and context-aware strategies to achieve system efficiency. Within this landscape, the growing energy demands of distributed edge nodes emerge as a paramount concern, contributing to significant carbon emissions, undermining global sustainability efforts, but also driving up operational costs, potentially rendering large-scale edge deployments financially unsustainable. Additionally, many edge devices rely on limited power sources, making energy efficiency essential for extending their operational lifetime and ensuring system reliability. As MEC scales geographically, the cumulative energy cost becomes a critical bottleneck for widespread adoption and sustainable growth. Under these volatile and resource-intensive conditions, minimizing energy consumption and optimizing resource utilization becomes critical. Thus, effective placement strategies must address dynamic constraints and ensure long-term sustainability. This thesis proposes intelligent, adaptive, and energy-efficient service placement mechanisms in distributed and extreme-edge environments. Firstly, it introduces an AI-based novel distributed orchestration technique within Distributed Multi-MEC Systems (DMMS). The technique, named Distributed Deep Reinforcement Learning-based Service Placement Availability-Aware Algorithm (DDRL-SP3A), aims to efficiently implement services in a system coordinated by multiple orchestrators, thereby optimizing resource usage by minimizing the number of active nodes. Secondly, the thesis presents an AI-based energy-aware strategy for heterogeneous MEC infrastructures introduced as DDRL-based Energy-Aware Service Placement Algorithm (DDRL-EASPA). The aim is to reduce the number of active nodes under heterogeneous infrastructures and dynamic service demands. Thirdly, this effort introduces an Energy Minimization Service Placement Algorithm (EMSPA), an adaptive, heuristic-based placement method to minimize energy consumption in smart factory extreme-edge environments, characterized by high mobility and severe resource and connectivity constraints. The proposed solutions achieve a near-optimal, efficient performance in low-latency MEC scenarios while meeting service and infrastructure constraints, optimizing resource utilization, and minimizing energy consumption. These solutions are evaluated through simulations of distributed networks with numerous hosting devices, orchestration entities, and service workloads. Additionally, a series of evaluations are conducted in a real-world testbed, demonstrating the differences in service placement performance compared to simulation. Overall, the strategies proposed in this thesis provide a robust and applicable framework for sustainable and high-performing edge computing. (Català) L'evolució de les xarxes més enllà de 5G (B5G) està transforma les comunicacions mòbils, permetent entorns interconnectats i la proliferació de serveis sensibles a la latència, com ara l'anàlisi de la Internet de les Coses (IoT) en temps real, eealitat extesa (XR) inmersiva i la Intel·ligència Artificial (IA) generativa com a servei. A l'avantguarda d'aquesta transformació, la computació perimetral emergeix com un paradigma fonamental que estén els recursos de computació més a prop dels usuaris finals. Dins d'aquest espectre, la computació perimetral multiaccés (MEC) juga un paper central en proporcionar capacitats estandarditzades, similars al núvol, però a la vora de les xarxes d'accés. Tanmateix, el dinamisme i la naturalesa distribuïda de la MEC, especialment en entorns extrems, afegeixen una complexitat significativa. El dinamisme prové dels requisits de servei variables, com ara les càrregues de treball fluctuants, juntament amb la infraestructura dinàmica que inclou nodes heterogenis, requisits de connectivitat i amplada de banda variables i mobilitat a tot el continu Edge-to-Cloud. En conseqüència, la ubicació de serveis en aquests entorns dinàmics s'enfronta a reptes substancials, que exigeixen estratègies adaptatives per optimitzar l’eficiència en el sistema. En aquest context, preocupa la creixent demanda energètica en nodes distribuïts, a causa de les emissions de carboni i l'augment dels costos operatius, la qual cosa podria fer econòmicament inviable el desplegament de computació a la vora a gran escala. Addicionalment, molts dispositius de vora depenen de fonts d'energia limitades, raó per la qual l'eficiència energètica és essencial per allargar la seva vida útil i garantir la fiabilitat del sistema. A mesura que els MEC s'escalen, el cost energètic acumulat esdevé un coll d'ampolla crític per a l'adopció generalitzada i el creixement sostenible. En aquestes condicions volàtils i intensives en recursos, minimitzar el consum i optimitzar l'ús dels recursos ès fonamental. Per tant, les estratègies de ubicació efectives han d'abordar les restriccions dinàmiques dels escenaris de vora i garantir la sostenibilitat. Aquesta tesi proposa mecanismes de ubicació de serveis intel·ligents, adaptatius i energèticament eficients per abordar els reptes emergents de la computació perimetral en entorns distribuïts i de perimetral extrem. En primer lloc, introdueix una nova tècnica d'orquestració distribuïda basada en IA per a la ubicació de serveis dins de Sistemes Multi-MEC Distribuïts (DMMS). La tècnica s'anomena Algorisme de Ubicació de Serveis basat en Aprenentatge de Reforç Profund Distribuït i Conscient de la Disponibilitat (DDRL-SP3A), el seu objectiu és garantir la implementació eficient dels serveis en un sistema coordinat per múltiples orquestradors, optimitzant així l'ús dels recursos minimitzant el nombre de nodes actius. En segon lloc, basant-se en això, la tesi presenta una estratègia basada en IA i conscient de l'energia, introduïda com a Algorisme de Ubicació de Serveis Conscient de l'Energia basat en DDRL (DDRL-EASPA). L'objectiu és reduir significativament el nombre de nodes actius en infraestructures heterogènies i demandes de serveis dinàmiques. Per últim, aquest esforç introdueix un Algorisme de Ubicació de Serveis de Minimització d'Energia (EMSPA), un mètode de ubicació adaptatiu i basat en heurístiques per minimitzar el consum d'energia en entorns de fàbrica intel·ligent d'avantguarda, caracteritzats per una alta mobilitat, connectivitat i restriccions de recursos severes. Les solucions proposades assoleixen un rendiment eficient en escenaris MEC de baixa latència, complint restriccions de servei i infraestructura, optimitzant recursos i minimitzant el consum energètic. Les solucions s'avaluen amb simulacions de xarxes distribuïdes amb nombrosos dispositius, orquestradors i càrregues de treball, i proves en bancs reals, establint un marc robust per a la computació perimetral sostenible i d'alt rendiment. (Español) La evolución de las redes más allá de 5G (B5G) está transformando las comunicaciones móviles, permitiendo entornos interconectados y servicios sensibles a la latencia, como el análisis en tiempo real del Internet de las cosas (IoT), las experiencias inmersivas de realidad extendida (XR) y la inteligencia artificial (IA) generativa como servicio. A la vanguardia de esta transformación, la computación en el borde emerge acercando los recursos informáticos a los usuarios finales. Dentro de este espectro, la computación en el borde de acceso múltiple (MEC) proporciona capacidades estandarizadas, similares a las de la nube, pero cercanas a las redes de acceso. Sin embargo, el dinamismo y la naturaleza distribuida de MEC, especialmente en entornos extremos, añaden una complejidad significativa. El dinamismo surge de los requisitos de servicios variables, como las cargas de trabajo fluctuantes, junto con la infraestructura dinámica que incluye nodos heterogéneos, requisitos variables de conectividad y ancho de banda, y movilidad en el continuo Edge-to-Cloud. Por lo tanto, ubicar servicios en estos entornos exige estrategias adaptativas para lograr la eficiencia del sistema. En este contexto, preocupa la creciente demanda energética en nodos distribuidos, debido a las emisiones de carbono y el aumento los costes operativos, lo que podría hacer económicamente inviable los despliegues de computación en el borde a gran escala. Además, muchos de los dispositivos en estos sistemas dependen de fuentes de energía limitadas, por lo que la eficiencia energética es esencial para prolongar su vida útil y garantizar la fiabilidad del sistema. A medida que el MEC se expande, el coste energético se convierte en un cuello de botella crítico para su adopción generalizada y crecimiento sostenible. En estas condiciones es crucial minimizar el consumo de energía y optimizar la utilización de los recursos. Por lo tanto, las estrategias de ubicación de servicios deben abordar las limitaciones dinámicas y garantizar la sostenibilidad a largo plazo. Esta tesis propone mecanismos de ubicación de servicios inteligentes, adaptables y energéticamente eficientes en entornos distribuidos y extremos. Primero, introduce una técnica de orquestación distribuida basada en IA para la ubicación de servicios dentro de múltiples sistemas MEC distribuidos (DMMS). La técnica, denominada Algoritmo de Ubicación de Servicios basado en Aprendizaje Profundo por Refuerzo Distribuido considerando la Disponibilidad (DDRL-SP3A), tiene como objetivo garantizar la implementación eficiente de los servicios en un sistema con múltiples orquestadores, optimizando así el uso de los recursos al minimizar el número de nodos activos. En segundo lugar, la tesis presenta una estrategia energética basada en IA, denominada Algoritmo de Ubicación de Servicios considerando el Consumo Energético basado en DDRL (DDRL-EASPA). El objetivo es reducir el número de nodos activos en infraestructuras heterogéneas y con demandas de servicios dinámicas. Por último, este esfuerzo introduce un Algoritmo de Ubicación de Servicios de Minimización de Energía (EMSPA), un método adaptativo y basado en heurística para minimizar el consumo energético en entornos de fábricas inteligentes de borde extremo, caracterizados por una alta movilidad, conectividad y severas restricciones de recursos. Las soluciones propuestas alcanzan un rendimiento eficiente en escenarios MEC de baja latencia, cumpliendo restricciones de servicio e infraestructura, optimizando recursos y minimizando el consumo de energía. Estas soluciones se evalúan mediante simulaciones de redes distribuidas con numerosos dispositivos, orquestadores y cargas de trabajo. Además, se realiza también una evaluación en un banco de pruebas para verificar los resultados obtenidos por simulación. Las estrategias propuestas proporcionan un marco robusto y aplicable para una computación en el borde sostenible y de alto rendimiento.