[論文レビュー] HiveMind: A Scalable and Serverless Coordination Control Platform for UAV Swarms

Justin Hu, Ariana Bruno+5 more|arXiv (Cornell University)|Feb 4, 2020

Cloud Computing and Resource Management参考文献 48被引用数 10

ひとこと要約

HiveMind は、UAV 群のためのスケーラブルでサーバーヲスの協調制御プラットフォームであり、中央集権的なクラウドベースの計算とエッジデバイスの事前処理を組み合わせることでネットワークトラフィックを削減し、パフォーマンスを向上させます。イベント駆動型のサーバーヲス関数、フェイルセーフ、スローワーサービスの緩和を活用することで、完全に中央集権的または分散型のシステムよりも、障害や負荷の不均衡にさらされても、より低いレイテンシ、より高いバッテリー効率、より高い信頼性を達成します。

ABSTRACT

Swarms of autonomous devices are increasing in ubiquity and size. There are two main trains of thought for controlling devices in such swarms; centralized and distributed control. Centralized platforms achieve higher output quality but result in high network traffic and limited scalability, while decentralized systems are more scalable, but less sophisticated. In this work we present HiveMind, a centralized coordination control platform for IoT swarms that is both scalable and performant. HiveMind leverages a centralized cluster for all resource-intensive computation, deferring lightweight and time-critical operations, such as obstacle avoidance to the edge devices to reduce network traffic. HiveMind employs an event-driven serverless framework to run tasks on the cluster, guarantees fault tolerance both in the edge devices and serverless functions, and handles straggler tasks and underperforming devices. We evaluate HiveMind on a swarm of 16 programmable drones on two scenarios; searching for given items, and counting unique people in an area. We show that HiveMind achieves better performance and battery efficiency compared to fully centralized and fully decentralized platforms, while also handling load imbalances and failures gracefully, and allowing edge devices to leverage the cluster to collectively improve their output quality.

研究の動機と目的

• 完全に中央集権的または完全に分散型の UAV 群制御プラットフォームが抱えるスケーラビリティと効率性の制限を解消すること。
• 軽量で時間的に重要なタスク（例：障害物回避）をエッジデバイスにオフロードすることで、UAV 群におけるネットワークトラフィックを削減すること。
• ドローンの故障や性能不足が生じた際に、タスクを動的に再割り当てすることで、UAV 群におけるフェイルセーフ性と負荷分散を向上させること。
• スローワーサービスの検出と緩和を伴うサーバーレスタスク実行により、パフォーマンスの予測可能性を高め、レイテンシを低減すること。
• エッジデバイスがクラウドで処理された意思決定から学習できるようにすることで、集団知能を実現し、時間の経過とともに全体の出力品質を向上させること。

提案手法

• リソース集約的なタスクをクラウドで実行するイベント駆動型のサーバーレスコンピューティングフレームワーク（例：AWS Lambda に類似）を用い、オンデマンドで細粒度の並列処理を可能にする。
• 軽量で時間的に重要な操作（例：画像フィルタリング、初期認識）を UAV に延期することで、データ転送を最小限に抑え、ネットワーク混雑を軽減する。
• 永続的コンテナインスタンス（1秒のキープアライブ）を採用することで、コールドスタートのオーバーヘッドを低減し、サーバーレスバックエンドにおけるタスクスケジューリング効率を向上させる。
• ドローンの故障を検出し、リアルタイムで周辺のドローンにその担当領域を再割り当てすることで、フェイルセーフ性を実装する。
• 平均時間より著しく長い時間を要するタスクを特定し、再起動することで、サーバーレス実行におけるテールレイテンシを低減する。
• 中央集権的永続ストレージを活用し、エッジデバイスが過去の意思決定から学習し、将来的なパフォーマンスを共同で向上させることを可能にする。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドな中央集権的エッジ協調モデルは、完全に中央集権的または完全に分散型の UAV 群制御と比較して、レイテンシ、ネットワーク効率性、バッテリー使用量の観点でどの程度優れているか？
• RQ2 サーバーレスコンピューティングは、UAV 群制御プラットフォームにおけるスケーラビリティとコスト効率性をどの程度向上できるか？
• RQ3 サーバーレスプラットフォームは、リアルタイムの UAV 群運用における障害や負荷の不均衡をどの程度効果的に処理できるか？
• RQ4 スローワーサービスタスクは、サーバーレスベースの群制御におけるパフォーマンス予測可能性にどのような影響を与えるか、そしてその緩和策は何か？
• RQ5 中央集権的なクラウド処理は、集団学習とフィードバックを通じて、エッジデバイスの意思決定品質を向上させることができるか？

主な発見

• HiveMind は、UAV に事前処理をオフロードすることでネットワークトラフィックを削減し、完全に中央集権的なシステムよりも優れたスケーラビリティを達成した。
• 1番目のシナリオ（物品探索）では、2台のドローンが故障した場合に性能劣化を10.3％に、3台の故障では24％に抑えたが、依然としてタスクを完了した。
• 2番目のシナリオ（人込みカウント）では、2台の故障で性能劣化が11.8％、3台の故障で26％に抑えられ、3台の故障時におけるバッテリー使用量は43％まで低下した。
• HiveMind におけるスローワーサービスの緩和により、サーバーレスタスクにおける長尾レイテンシが低減され、実行の予測可能性が向上し、リソース競合が軽減された。
• データ転送の削減とクラウドリソースの競合の低減により、HiveMind は完全に中央集権的なシステムよりも平均実行時間を短縮した。
• タスク完了後、サーバーレスコンテナを1秒間維持することで、使用されるユニークなコンテナ数が減少し、顕著なオーバーヘッドを伴わずにパフォーマンスが向上した。