[論文レビュー] Intelligent Task Offloading for Heterogeneous V2X Communications

Kai Xiong, Supeng Leng+3 more|arXiv (Cornell University)|Jun 29, 2020

Vehicular Ad Hoc Networks (VANETs)参考文献 26被引用数 5

ひとこと要約

本稿では、DSRC、C-V2X、mmWave通信を用いた異種V2Xネットワークにおける知能的なタスクオフロードフレームワークを提案する。オフロード失敗確率とリソースコストを最小化することを目的としている。確率的ネットワーク計算を用いて遅延の上界を導出し、フェデレーテッドQ学習アルゴリズムを採用することで、複数のアクセス技術にわたるオフロード意思決定を最適化する。動的トラフィック条件下でも、既存手法に比べて信頼性と効率性の両面で顕著に優れている。

ABSTRACT

With the rapid development of autonomous driving technologies, it becomes difficult to reconcile the conflict between ever-increasing demands for high process rate in the intelligent automotive tasks and resource-constrained on-board processors. Fortunately, vehicular edge computing (VEC) has been proposed to meet the pressing resource demands. Due to the delay-sensitive traits of automotive tasks, only a heterogeneous vehicular network with multiple access technologies may be able to handle these demanding challenges. In this paper, we propose an intelligent task offloading framework in heterogeneous vehicular networks with three Vehicle-to-Everything (V2X) communication technologies, namely Dedicated Short Range Communication (DSRC), cellular-based V2X (C-V2X) communication, and millimeter wave (mmWave) communication. Based on stochastic network calculus, this paper firstly derives the delay upper bound of different offloading technologies with a certain failure probability. Moreover, we propose a federated Q-learning method that optimally utilizes the available resources to minimize the communication/computing budgets and the offloading failure probabilities. Simulation results indicate that our proposed algorithm can significantly outperform the existing algorithms in terms of offloading failure probability and resource cost.

研究の動機と目的

• リソース制約のある車両エッジコンピューティング（VEC）環境における信頼性の低いタスクオフロードの課題に対処すること。
• 通信リソースが十分に確保されていると仮定する従来の研究の限界を克服し、最適化において失敗確率を無視しないこと。
• 異種V2Xネットワークにおいて、オフロード失敗確率と通信／計算リソースコストの合計を両方最小化すること。
• 変動するトラフィック負荷やバースト性に応じた自律走行車両の信頼性の高い低遅延オフロードを可能にすること。

提案手法

• DSRC、C-V2X、mmWave技術の各々において失敗確率を考慮した上で、確率的ネットワーク計算を用いてオフロード遅延の閉形式上界を導出する。
• 通信コスト、計算コスト、オフロード失敗確率を同時に最小化する最適化モデルを構築する。
• 各車両間でローカルのオフロード知識を共有しつつも、生データを共有しないプライバシー保護型分散学習を可能にするフェデレーテッドQ学習アルゴリズムを提案する。
• Q学習フレームワークにおいて上記の上界を制約条件として用い、低遅延・高信頼性のオフロード意思決定を促進する。
• 各車両がローカル観測に基づいて最適なオフロード戦略を学習し、グローバルモデルの集約を経て分散学習を実現するマルチエージェント学習アーキテクチャを実装する。
• タスク到着率（λ）やバースト性（o）といった動的トラフィックパラメータを、学習および遅延解析フレームワークに統合する。

実験結果

リサーチクエスチョン

• RQ1 与えられた失敗確率のもとで、異種V2X技術におけるオフロード遅延上界を解析的に導出する方法は何か？
• RQ2 異種V2X環境において、オフロード失敗確率とリソースコストの最適なトレードオフは何か？
• RQ3 分散学習を活用することで、車両間で生データを共有せずにオフロード意思決定を最適化できるか？
• RQ4 タスク到着率が高く、またはバースト性が強いような異なるトラフィック条件下で、DSRC、C-V2X、mmWaveのどのV2X技術が最も優れた性能を示すか？
• RQ5 フェデレーテッドQ学習は、集中型またはグリーディなアプローチと比較して、失敗確率とリソースコストの両方を効果的に低減できるか？

主な発見

• 提案されたフェデレーテッドQ学習アルゴリズムは、グリーディ法およびリラクゼーション法と比較して、顕著に低いオフロード失敗確率とリソースコストを達成している。
• 軽微なトラフィック負荷下では、C-V2Xに加えてRmmWaveを用いたオフロードが最も優れた性能を示すが、重いトラフィック下ではC-V2XとDSRCの組み合わせが優れている。
• タスク到着率が500 Mbpsを超えると、ローカル処理の遅延が急激に増加するため、遅延低減の観点からオフロードの必要性が明確になる。
• mmWaveオフロードは、バースト性が高いトラフィックには不適切であり、遅延上界が急激に増加するためである。
• 遅延耐容性の高いタスクでは、C-V2V（またはRmmW）オフロードが最も低い失敗確率を達成するため、このようなワークロードに最適な選択肢となる。
• 失敗確率は遅延要件が高くなるにつれて減少するが、mmWaveは最も遅い低下傾向を示しており、遅延耐容アプリケーションにおいて信頼性が低いことが示唆される。