Contoh Bab 2
Contoh Bab 2
5
migration gain. Migrasi avatar ini dilakukan saat suatu mobile device sudah
bergerak cukup jauh dari cloudlet serta koneksi antara original cloudlet dan
mobile device sudah tidak tersedia. Dia mengklaim bahwa strategi yang dia
usulkan memiliki E2E delay lebih kecil daripada 2 strategi pembandingnya yang
lain.
Plachy et all (2016) [14] mengusulkan sebuah algoritma baru dalam
menentukan jalur offloading mobile device yang bergerak. Dalam algoritmanya
ini mereka mengestimasi transmission delay dan energy yang dikonsumsi untuk
mendapatkan jalur pengiriman data yang tepat. Algoritma yang mereka usulkan
ini diformulasikan menggunakan Markov Decision Process (MDP). Mereka
mengeklaim algoritma yang mereka usulkan dapat mengurangi delay sebanyak
54.3% dan konsumsi energy sebanyak 7.5% dibandingkan dengan metode
konvensional.
Sun (2019) [15] mengusulkan sebuah strategi lain dalam mengatasi E2E
delay pada offloading mobile device yang bergerak. Dalam penelitiannya ini dia
mengusulkan sebuah algoritma replika avatar yang bernama LatEncy Aware
Replica placemeNt (LEARN). Dengan menempatkan beberapa replica dari suatu
avatar di cloudlet yang sesuai, dia mengeklaim bahwa metode yang diusulkannya
ini memiliki E2E delay yang lebih minimal daripada metode metode sebelumnya.
Zhan et al. (2019) [16] mengusulkan sebuah metode meta-heurisitc untuk
mengurangi latency dan energi konsumsi dari mobile device yang bergerak,
Metode mereka ini berbasis Genetic Algorithm (GA) untuk menyelesaikan
permasalahan pemilihan keputusan offloading yang terjadi. Metode yang mereka
usulkan ini diklaim memiliki performa lebih baik terhadap 4 metode
pembandingnya.
Zhan et al. (2020) [8] mengusulkan sebuah metode lain dalam mengatasi
pemilihan keputusan offloading dari mobile device yang bergerak. Mereka
menyebutkan pemilihan keputusan offloading merupakan permasalahan NP-hard
dan membutuhkan metode meta-heuristic untuk menyelesaikannya. Metode yang
6
bernama heuristic mobility- aware offloading algorithm (HMAOA) ini dikkalim
memiliki performa yang lebih baik terhadap 6 metode pembandingnya.
Al-Tarawneh (2020) [17] mengusulkan sebuah algoritma migrasi container
dalam mengatasi offloading pada mobile device yang bergerak. Algoritma yang
diusulkan dia ini berbasis multicriteria decision making (MCDM). Metode
MCDMS yang diusulkan ini menggunakan metode Entropy-TOPSIS sebagai
strategi dalam melakukan migrasi container saat mobile device sudah terlalu jauh
dari original cloudletnya. Dia mengeklaim algoritma yang dia usulkan ini meraih
48%, 48%, 20% and 36% peningkatan pada migration time, service downtime,
migration reliability dan service lost rate.
Puliafito et al. (2020) [9] mengusulkan sebuah strategi migrasi dalam
mengatasi offloading pada mobile device yang bergerak. Dalam penelitiannya ini
dia menyebutkan ada beberapa scenario migrasi task yang dapat terjadi. Dia
mengkategorikan scenario migrasi ini menjadi 3 jenis yaitu proactive migrasi,
reactive migrasi, dan concurrent migrasi.
7
– modul yang ditambahkan ini IFogSim dapat melakukan resource management
technique pada linkungan fog computing.
Simulator offloading lainnya adalah EdgeCloudSim[20]. Sama halnya
dengan IFogSim, simulator ini juga merupakan pengembangan dari cloudsim.
Namun dalam simulator ini fokus yang diberikan adalah pada Edge Computing.
Simulator ini mengkategorikan beberapa modul untuk melakukan modelling
menjadi 3 yaitu Network modeling, Edge Specific Modeling, dan computanional
modeling.
MobFogSim [9] adalah simulator yang berbeda dari simulator – simulator
lainnya. Perbedaan ini berasal dari kapabilitas simulator ini dalam melakukan
migration task. Migration task yang dilakukan simulator ini sebagai cara cloudlet
mengirimkan output task kepada mobile device yang telah bergerak jauh dari
original cloudlet. Simulator ini juga dibuat dari pengembangan simulator
terdahulunya yaitu IFogSim. Mobility modelling adalah salah satu pengembangan
besar yang dilakukan oleh simulator ini.
8
Gambar 2.1 Arsitektur Mobile Edge Computing [20]
Mobile device adalah suatu perangkat bergerak yang memiliki beberapa task
yang harus diselesaikan. Dalam satu arsitektur akan terdapat beberapa mobile
device yang memiliki spesifikasi (CPU, Memory, WNIC) yang berbeda beda.
Task yang harus diselesaikan oleh mobile device juga berbeda – beda. Task ini
dapat diselesaikan secara lokal atau dilakukan secara offloading ke edge/cloud
server.
Base station adalah suatu perangkat yang menghubungkan mobile device
dengan server. Base station ini melakukan koneksi dengan mobile device melalui
wireless channel. Base station ini juga memiliki coverage area jadi hanya mobile
device yang berada pada coverage area tersebut yang dapat terkoneksi dengan
base station. Dalam satu arsitektur akan terdapat beberapa base station dan setiap
base station ini memiliki spesifikasi (coverage area) yang berbeda beda
Cloud server adalah sebuah virtual machine yang memiliki kemampuan
komputasi (CPU, storage, RAM) yang tinggi. Meskipun memiliki kemampuan
komputasi yang tinggi, cloud server ini berada sangat jauh dari mobile device,
sehingga jarak transmisi antar keduanya juga sangat jauh. Sedangkan edge server
merupakan virtual machine yang lebih dekat dengan mobile device. Meskipun
9
kemampuan komputasi dari edge server tidak sebesar cloud server, namun jarak
transmisi data antara mobile device lebih dekat.
Dari arsitektur MEC ini dapat dimodelkan beberapa hal terkait dengan
Offloading task yaitu :
2.2.1.1 Energy Model
Energy Model didefinisikan sebagai jumlah kapasitas energi yang dimiliki
oleh perangkat mobile. Kapasitas energi ini dapat berkurang karena konsumsi
energi yang dilakukan oleh perangkat mobile. Ali 2016 [21] menyebutkan bahwa
besar konsumsi energi perangkat mobile bergantung kepada hardware yang
dimiliki oleh perangkat tersebut. Hardware yang dimiliki oleh perangkat mobile
dapat bermacam – macam, namun tidak semua hardware berperan langsung dalam
proses oflloading. Ali 2016 [21] juga menyebutkan ada 4 komponen hardware
penting yang berperan langsung dalam proses pengurangan daya saat offloading
pada perangkat mobile, yaitu :
a. Konsumsi energi oleh CPU
Konsumsi energi oleh CPU dapat dirumuskan pada Eq. 2.1, dimana 𝐸𝐶𝐶𝑃𝑈
adalah konsumsi energi oleh CPU, n adalah jumlah core yang dimiliki oleh CPU,
𝑓𝑟𝑒𝑞
𝑈𝑖 adalah CPU utilization untuk core i, 𝛽 𝑓𝑟𝑒𝑞 dan 𝛽𝑏𝑎𝑠𝑒 adalah koefisiensi
𝑓𝑟𝑒𝑞
frequency dependant, serta 𝛽𝑏𝑎𝑠𝑒 adalah jumlah konsumsi energi minimal dari
CPU saat idle.
𝑓𝑟𝑒𝑞
𝐸𝐶𝐶𝑃𝑈 = (∑𝑛−1
𝑖=0 𝑈𝑖 ) 𝛽
𝑓𝑟𝑒𝑞
+ 𝛽𝑏𝑎𝑠𝑒 (eq 2.1)
b. Konsumsi energi oleh Display unit
Konsumsi energi oleh display unit dapat dirumuskan pada Eq 2.2, dimana
𝐸𝐶𝐷𝑖𝑠𝑝𝑙𝑎𝑦 adalah konsumsi energi oleh display, 𝛼𝑏𝑙𝑎𝑐𝑘 dan 𝛼𝑤ℎ𝑖𝑡𝑒 adalah level
pixel hitam dan putih, 𝐵𝑙𝑒𝑣𝑒𝑙 adalah level kecerahan dari layar, serta 𝛼𝑏𝑎𝑠𝑒.𝑏𝑙𝑎𝑐𝑘
dan 𝛼𝑏𝑎𝑠𝑒.𝑤ℎ𝑖𝑡𝑒 adalah minimal konsumsi energi minimal saat level kecerahan
layar paling rendah.
𝛼𝑏𝑙𝑎𝑐𝑘 + 𝛼𝑤ℎ𝑖𝑡𝑒 𝛼𝑏𝑎𝑠𝑒.𝑏𝑙𝑎𝑐𝑘 + 𝛼𝑏𝑎𝑠𝑒.𝑤ℎ𝑖𝑡𝑒
𝐸𝐶𝐷𝑖𝑠𝑝𝑙𝑎𝑦 = 𝐵𝑙𝑒𝑣𝑒𝑙 + (eq 2.2)
2 2
10
Konsumsi energi oleh perangkat memory dapat dirumuskan pada Eq. 2.3,
dimana 𝑈𝑖 adalah CPU utilization untuk core I, 𝛾𝑠 dan 𝛾𝑚 adalah koefisien energi
dari memory.
𝐸𝐶𝑚𝑒𝑚𝑜𝑟𝑦 = (∑𝑛−1
𝑖=0 𝑈𝑖 ) 𝛾𝑠 + 𝛾𝑚 (eq 2.3)
d. Konsumsi energi oleh perangkat Wi-Fi
Konsumsi energi oleh perangkat Wi-Fi bergantung pada state dari wireless
network interface card (WNIC). Seperti yang terlihat pada gambar 2.2
, ada 4 state yang dimiliki oleh WNIC yaitu :
1. Idle state, merupakan state saat WNIC tidak melakukan operasi apapun.
2. Initial state, merupakan state saat WNIC memasuki fase untuk bertukar data
3. Send state, merupakan state saat WNIC mengirim data
4. Receive state, merupakan state saat WNIC menerima data, dan
5. Tail state, merupakan state saat WNIC telah selesai melakukan pertukaran data
Dari kelima state yang dimiliki oleh WNIC ini dapat dirumuskan energi
yang dibutuhkan oleh Wi-FI pada Eq. 2.4.
𝐸𝐶𝑊𝑖𝑓𝑖 = 𝐸𝐶𝑊𝑖𝑓𝑖𝑖𝑛𝑖𝑡 + 𝐸𝐶𝑊𝑖𝑓𝑖𝑠𝑒𝑛𝑑 + 𝐸𝐶𝑊𝑖𝑓𝑖𝑟𝑒𝑐𝑒𝑖𝑣𝑒 +
𝐸𝐶𝑊𝑖𝑓𝑖_𝑡𝑎𝑖𝑙 + 𝐸𝐶𝑊𝑖𝑓𝑖_𝑖𝑑𝑙𝑒 (eq 2.4)
Selain konsumsi energi yang terkati dengan hardware dari mobile device,
Guo, 2019 [3] juga menyebutkan bahwa mobile device juga mengonsumsi energi
lebih saat melakukan task secara lokal. Konsumsi energi saat mobile device
melakukan tasknya secara local dapat dirumuskan pada eq. 2.5, dimana k adalah
koefisien yang bergantung pada chip architecture, f adalah kapabilitas komputasi
dari mobile device, serta c adalah besar task yang dilakukan oleh mobile device.
𝐸𝐶𝐿𝑂𝐶𝐴𝐿 = 𝑘 (𝑓)2 𝑐 (eq 2.5)
11
send
Receive
12
N merupakan Gause Noisse Power yang berada di wireless channel, 𝑊 adalah
bandwidth dari base station, 𝑃𝑢𝑝 adalah kemampuan upload dari mobile device,
dan 𝐿𝑜𝑠 adalah channel gain. 𝐿𝑜𝑠 pada lingkungan wireless mengacu pada fungsi
jarak yaitu 𝐿𝑜𝑠 = 𝑑−∝ .
𝐷𝑛
𝑇𝑢𝑝 = 𝑃𝑢𝑝 + 𝐿𝑜𝑠 (eq 2.8)
𝑊 𝑙𝑜𝑔2 (1+ )
𝑁
Sedangkan waktu eksekusi task oleh server (𝑇𝑒𝑥𝑒 ) dapat dirumuskan pada eq
2.9, dimana 𝑉𝑐𝑙𝑜𝑢𝑑 adalah execution rate yang dimiliki oleh cpu server.
𝐶𝑛
𝑇𝑒𝑥𝑒 = (eq 2.9)
𝑉𝑐𝑙𝑜𝑢𝑑
13
Gambar 2.3 Flowchart Black Widow Optimization [24]
14
2.2.2.2 Procreate
Pada fase procreate populasi akan di reproduce menggunakan equation
2.12, dimana 𝑥1 dan 𝑥2 adalah parents, 𝑦1 dan 𝑦2 adalah offspring (child) yang
𝑁𝑣𝑎𝑟
dihasilkan. Proses ini akan diulang sebanyak kali dan random numbers yang
2
dipilih tidak boleh duplikat. Hasil array dari offspring akan di tambahkan ke array
dan di sort berdasarkan fitness valuenya.
𝑦1 = ∝ 𝑥1 + (1− ∝)𝑥2
{ (eq 2.12)
𝑦2 = ∝ 𝑥2 + (1− ∝)𝑥1
2.2.2.3 Cannibalism
Pada fase cannibalism nilai widow yang kecil akan dihapus. Ada beberapa
cannibalism yang dapat terjadi yang pertama adalah sexual cannibalism dimana
parent yang memiliki fitness value kecil akan dieliminasi. Yang kedua ada sibling
cannibalism dimana offspring yang memiliki fitness value rendah yang akan di
eliminasi. Yang terakhir adalah weak cannibalism dimana tidak peduli dia sebagai
parent atau offspring jika memiliki fitness value yang rendah akan di eliminasi.
Jumlah rate widow yang dieliminasi tergantung dari cannibalism rating (CR) yang
ditentukan.
2.2.2.4 Mutation
Pada fase mutation, algoritma akan memilih random sebanyak Mutepop dari
populasi. Setiap widow yang terpilih akan dilakukan mutase dengan menukar 2
nilai secara random. Gambar dari mutastion ini dapat dilihat pada gambar 2.4.
Jumlah mutepop di kalkulasi tergantung dengan mutation rate (MR).
15