[論文レビュー] Adaptive Learning-Based Task Offloading for Vehicular Edge Computing Systems

Yuxuan Sun, Xueying Guo+5 more|arXiv (Cornell University)|Jan 16, 2019

IoT and Edge/Fog Computing参考文献 28被引用数 10

ひとこと要約

本稿では、動的で不確実な環境におけるオフロード遅延を最小化するために、マルチアームバンディット（MAB）理論を活用した、適応型学習ベースのタスクオフローディング（ALTO）アルゴリズムを提案する。ALTOは、入力に配慮した機能と発生に配慮した機能を備えた分散型で低複雑度の意思決定を可能にし、時間変動するワークロードや変化するサービス車両（SeV）の可用性に適応する。UCBベースの手法と比較して、平均遅延を最大30%低減する。

ABSTRACT

The vehicular edge computing (VEC) system integrates the computing resources of vehicles, and provides computing services for other vehicles and pedestrians with task offloading. However, the vehicular task offloading environment is dynamic and uncertain, with fast varying network topologies, wireless channel states and computing workloads. These uncertainties bring extra challenges to task offloading. In this work, we consider the task offloading among vehicles, and propose a solution that enables vehicles to learn the offloading delay performance of their neighboring vehicles while offloading computation tasks. We design an adaptive learning-based task offloading (ALTO) algorithm based on the multi-armed bandit (MAB) theory, in order to minimize the average offloading delay. ALTO works in a distributed manner without requiring frequent state exchange, and is augmented with input-awareness and occurrence-awareness to adapt to the dynamic environment. The proposed algorithm is proved to have a sublinear learning regret. Extensive simulations are carried out under both synthetic scenario and realistic highway scenario, and results illustrate that the proposed algorithm achieves low delay performance, and decreases the average delay up to 30% compared with the existing upper confidence bound based learning algorithm.

研究の動機と目的

• ネットワークトポロジー、チャネル状態、ワークロードが急速に変化する車両エッジコンピューティング（VEC）システムにおける、動的で不確実なタスクオフローディングの課題に対処すること。
• サービス車両（SeV）の性能に関する事前知識がなくても、タスク車両（TaV）がリアルタイムで最適なオフローディング意思決定を学習できること。
• 状態情報（チャネル品質やワークロードなど）の頻繁な交換を避けながら、分散的に平均オフローディング遅延を最小化すること。
• 変動するタスクワークロードと動的なSeVの出現を考慮した、学習効率を向上させる適応型学習フレームワークの設計

提案手法

• ALTOアルゴリズムはマルチアームバンディット（MAB）理論に基づき、各潜在的なSeVを1つのアームとしてモデル化し、探索と活用のバランスをとる。
• タスクワークロードの大きさに応じて探索重みを調整する入力に配慮した機能と、新しいSeVの出現時刻に応じて適応する発生に配慮した機能を導入する。
• 利得関数には、対数的探索項に比例する信頼区間が組み込まれており、ワークロードおよびSeVの可用性要因によって調整される。
• アルゴリズムは部分線形の学習レジストバウンドを用い、環境の動的変化にもかかわらず、時間の経過とともに最適なオフローディング意思決定に収束することを保証する。
• 理論的分析により、ALTOが部分線形のレジストを達成し、遅延最小化において漸近的に最適性を保証することが証明された。
• 性能の妥当性を検証するため、合成的および現実的な高速道路シナリオでVeinsシミュレータを用いてシミュレーションを実施した。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク状態やワークロード条件が急速に変化する動的VEC環境において、タスクオフローディング意思決定をどのように最適化できるか？
• RQ2 集中型の調整や頻繁な状態情報の交換を必要とせずに、学習ベースのアプローチがオフローディング遅延を低減できるか？
• RQ3 利用可能なサービス車両の集合やタスクワークロードが時間変動する状況において、探索と活用のトレードオフを効果的に管理するにはどうすればよいか？
• RQ4 MABに基づく学習フレームワークに、入力に配慮した機能と発生に配慮した機能を組み込むことで、どのような性能向上が得られるか？

主な発見

• ALTOアルゴリズムは、合成的および現実的な高速道路シナリオの両方において、従来の上界信頼区間（UCB）ベースの学習アルゴリズムと比較して、平均オフローディング遅延を最大30%低減した。
• アルゴリズムは部分線形の学習レジストを達成し、環境の不確実性にもかかわらず、最適なオフローディング戦略に漸近的に収束することが証明された。
• 入力に配慮した機能と発生に配慮した機能は、タスクサイズやSeVの可用性に応じて動的に探索を調整することで、学習効率を顕著に向上させた。
• Veinsシミュレータを用いた広範なシミュレーションにより、ALTOが現実の車両移動性とワークロード変動の下でも低遅延性能を維持することが確認された。
• 理論的分析により、新しいSeVが異なるタイミングで出現し、タスクワークロードが時間経過とともに変化する状況でも、アルゴリズムが有効に機能することが示された。