[論文レビュー] Learning-Assisted Competitive Algorithms for Peak-Aware Energy Scheduling

Russell Lee, Mohammad Hajiesmaili+1 more|arXiv (Cornell University)|Nov 18, 2019

Optimization and Search Problems参考文献 23被引用数 8

ひとこと要約

本稿では、機械学習予測を統合することで、worst-caseのロバストネスを保ちつつ性能を向上させるピーク感知型エネルギースケジューリングのための学習支援型競合的アルゴリズムを提案する。実データ上で、純粋なオンラインアルゴリズムよりも15.13%優れた性能を達成する。予測誤差が0に近づくにつれて、${\lambda}\texttt{BED}$アルゴリズムは理論的最適動作を達成する。

ABSTRACT

In this paper, we study the peak-aware energy scheduling problem using the competitive framework with machine learning prediction. With the uncertainty of energy demand as the fundamental challenge, the goal is to schedule the energy output of local generation units such that the electricity bill is minimized. While this problem has been tackled using classic competitive design with worst-case guarantee, the goal of this paper is to develop learning-assisted competitive algorithms to improve the performance in a provable manner. We develop two deterministic and randomized algorithms that are provably robust against the poor performance of learning prediction, however, achieve the optimal performance as the error of prediction goes to zero. Extensive experiments using real data traces verify our theoretical observations and show 15.13% improved performance against pure online algorithms.

研究の動機と目的

• エネルギー需要が不確実で変動しやすいデータセンターにおけるピーク感知型エネルギースケジューリングの課題に取り組む。
• worst-case性能保証に起因する過剰に保守的な特性を示す従来のオンラインアルゴリズムの改善を図る。
• 機械学習予測を競合的アルゴリズムに統合し、予測が正確な場合にはより優れた性能を達成しつつ、予測が不正確な場合でもロバストネスを維持する。
• 予測が不正確であっても理論的性能保証（競合比）を維持することで、実運用における信頼性を確保する。

提案手法

• オンライン意思決定と機械学習予測を融合させた、BED（Best-Effort Dispatch）アルゴリズムの学習補強型変種、${\\lambda}\texttt{BED}$を設計する。
• $\lambda$というパラメータを用いて、機械学習予測と保守的なオンライン戦略のバランスを調整し、予測が不正確な場合でもロバストネスを保証する。
• 体積料金とピーク料金を組み合わせたハイブリッドコスト関数としてエネルギースケジューリング問題を定式化し、ピーク需要には高いピーク料金$p_m$を乗じる。
• 発電機出力のラムプ制約を満たすために、プロジェクションベースの手法を適用し、スケジュールの物理的妥当性を保証する。
• 性能の理論的分析に、一貫性-ロバストネスフレームワークを導入：一貫性は正確な予測時の性能向上を測る指標であり、ロバストネスはworst-case性能の境界を保証する。
• 実世界のデータセンターからのトレースデータを用いて、理論的主張の実証的妥当性を検証し、純粋なオンラインアルゴリズムと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 機械学習予測を競合的オンラインアルゴリズムに統合しても、worst-case性能保証を損なわず、エネルギースケジューリングに応用可能か？
• RQ2 学習補強型アルゴリズムの性能は予測精度にどのように依存するか？また、一貫性とロバストネスの理論的トレードオフはどのようなものか？
• RQ3 学習支援型アルゴリズムは、純粋なオンライン手法と比較して、実世界のデータセンターのエネルギースケジューリングにおいて、どの程度電力コストを削減できるか？
• RQ4 ラムプ制約や発電機容量といったシステム制約は、学習補強型アルゴリズムの性能にどのように影響を与えるか？
• RQ5 純粋なオンラインアルゴリズムが性能を低下させる状況（例：発電機容量がピーク需要の60％を超える場合）において、提案手法が既存のオンラインアルゴリズムを上回るか？

主な発見

• ${\lambda}\texttt{BED}$アルゴリズムは、実データトレース上、純粋なオンラインアルゴリズムよりも15.13%低い電力コストを達成し、実用的改善が顕著に示された。
• 予測誤差が0に近づくにつれて、${\lambda}\texttt{BED}$は理論的下限に一致する最適性能を達成する。
• 予測が不正確であっても、${\lambda}\texttt{BED}$は理論的に保証されたロバストな性能を維持し、worst-case保証が失われない。
• 発電機容量がピーク需要の60％を超えると、純粋なオンラインアルゴリズム（例：BED）の性能が劣化する傾向が観察されたが、${\lambda}\texttt{BED}$は予測を活用することでこれを回避した。
• ${\lambda}\texttt{BED}$の競合比は、すべてのピーク価格水準でBEDを上回り、特に中程度のピーク価格領域で最大の向上が見られた。
• ラムプ制約を緩和すると、両アルゴリズムの競合比が向上するが、${\lambda}\texttt{BED}$は予測と柔軟性をより効果的に活用することで、優れた性能を維持した。