Fleet-Oriented Intelligent Operation of Large Scale Edge System

Kravet om å behandle data nær der dataene er generert, for eksempel for å oppnå effektivitet, bedre sikkerhet eller bedret personvern ved at man unngår behovet for å sende sensitive data over nettverket til skyen, har ført til fremveksten av Edge-Computing. Edge-Computing omfatter programvarekomponenter som kjører både i nettskyen og på enheter i utkanten av nettverket, for eksempel gateways, routere, switcher, små basestasjoner, etc. Mens utnyttelse av edge computing representerer potensielle gevinster, representerer kompleksiteten i driften av Edge-systemer store utfordringer siden programvarkomponentene i et system eksekveres i geografisk distribuerte enheter og hver av dem har en unik operasjonell kontekst, denne kan videre kontinuerlig endre seg og er ofte uforutsigbar. For storskala Edge-systemer med tusenvis av enheter, kan kostnader knyttet til å håndtrere denne kompleksiteten lett overstige prosjektets økonomiske fordeler. I Fleet prosjektet arbeider vi med å løse disse problemstillingeng og utvikler et programvarebasert rammeverk med tilhørende verktøy for å løse dette, siden dette idag ikke finnes tilgjengelig på markedet idag. Vi har utviklet et språk for å kunne spesifisere løsningsdesign for edge computing systemer og benytter en generativ approach hvor prosjektet ogås utvikler hensiktsmessige verktøy for å støtte automatisering av leveranse og drift av stor skala programvaredistribusjon på et stort antall edge noder (eksempelvis GWs distribuert i folks hjem), og oppnå stordriftsfordeler for Edge-drift. En sentral utfordring som adresseres er hvordan man kan ta automatisering til neste nivå ved å tilby intelligente verktøy som forstår sammenhengen til enheter og kontinuerlig optimalisere driftsplanene deretter. Oppsummert jobber vi i FLEET med å utvikle kontekstbevisst intelligent drift av Edge-systemer i stor skala, hvor vi tar sikte på å levere et sett med software engineering teknikker og verktøy. Dette vil omfatte designverktøy og kontekstbevisste driftsverktøy for automatisk å konkludere hvordan, hvor og når man skal tilpasse programvaren som kjører på de enkelte Edge-enhetene i samsvar med deres sammenhenger og at dette gjøres på en sikker og pålitelig måte.

-

The demand to place data analytics close to where the data is created leads to the emergence of Edge computing systems, which comprises software instances running both in the cloud and on devices at the edge of the network such as gateways, routers, switches, small base stations, etc. However, the complexity of operating Edge systems represents daunting challenges since software instances are running in geographically distributed devices and each of them has a unique operation context, which is continuously changing and often unpredictable. For large scale Edge systems with thousand devices, operation effort and cost can easily exceed the project's financial benefits. Edge computing is still in its infancy and a framework to address this problem is not yet available. The traditional mechanical automation, widely used for Cloud computing, still requires heavy human interaction to handle each device individually. To achieve the economy of scale for Edge operation, we need to take automation to the next level by providing intelligent tools that understand the context of devices and continuously optimize operation plans accordingly by themselves. In FLEET, we propose the novel concept of context-aware intelligent operation of large scale Edge systems. More precisely, we aim at delivering a set of software engineering techniques and tools to operate large scale Edge systems. This will include (i) a novel fleet-oriented modelling language for developers to define overall operation goals to specify how they expect to operate the fleet of Edge devices as a whole, (ii) context-aware intelligent operation agents to automatically infer how, where and when to deploy and adapt the software running on the individual Edge devices according to their contexts, and (iii) veto-based trustworthiness assurance techniques to tame the intelligent operation agents against trustworthiness risks (including security and privacy).