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

Yuxuan Sun, Xueying Guo+4 more|arXiv (Cornell University)|Apr 3, 2018

IoT and Edge/Fog Computing参考文献 16被引用数 8

ひとこと要約

本稿では、車両クラウドコンピューティング（VCC）システムにおける学習ベースのタスクオフロードのための、適応的で揮発性のある上位信頼区間（AVUCB）アルゴリズムを提案する。負荷に配慮した要素と発生に配慮した要素をマルチアームドバンディット枠組みに統合することで、AVUCBは理論的レジーット境界を伴い、分散型で低コストの学習によりタスク車両がオフロード遅延を最小化することが可能となり、動的で変化しやすい高速道路環境においてほぼ最適な性能を達成する。

ABSTRACT

Vehicular cloud computing (VCC) is proposed to effectively utilize and share the computing and storage resources on vehicles. However, due to the mobility of vehicles, the network topology, the wireless channel states and the available computing resources vary rapidly and are difficult to predict. In this work, we develop a learning-based task offloading framework using the multi-armed bandit (MAB) theory, which enables vehicles to learn the potential task offloading performance of its neighboring vehicles with excessive computing resources, namely service vehicles (SeVs), and minimizes the average offloading delay. We propose an adaptive volatile upper confidence bound (AVUCB) algorithm and augment it with load-awareness and occurrence-awareness, by redesigning the utility function of the classic MAB algorithms. The proposed AVUCB algorithm can effectively adapt to the dynamic vehicular environment, balance the tradeoff between exploration and exploitation in the learning process, and converge fast to the optimal SeV with theoretical performance guarantee. Simulations under both synthetic scenario and a realistic highway scenario are carried out, showing that the proposed algorithm achieves close-to-optimal delay performance.

研究の動機と目的

• 車両クラウドコンピューティング（VCC）における高い動的変化の課題に対処すること。ここで、ネットワークトポロジー、チャネル状態、計算リソースは急速かつ予測不能に変動する。
• 中央集権的制御や広範なシグナリングオーバーヘッドなしに、VCCにおける平均タスクオフロード遅延を最小化すること。
• タスク車両が過去の遅延観測に基づいて分散型学習により最適なサービス車両（SeV）選択を学習できるようにすること。
• 時間的に変化する不確実な車両環境において、探索と活用のバランスを効果的にとる学習アルゴリズムを設計すること。
• 提案されたアルゴリズムの学習レジーットに関する理論的パフォーマンス保証を提供すること。

提案手法

• 著者らは、タスク車両がSeVを選択する意思決定プロセスをモデル化するため、マルチアームドバンディット（MAB）理論を用いた学習ベースのタスクオフロードフレームワークを開発する。
• 彼らは、古典的なMABの利得関数に負荷に配慮した要素と発生に配慮した要素を追加した、適応的で揮発性のある上位信頼区間（AVUCB）アルゴリズムを提案する。
• 利得関数には、正規化された入力データサイズと各SeVの発生時刻が組み込まれており、動的な負荷と可用性を反映する。
• アルゴリズムは、過去のオフロード試行回数と時間変動するチャネル状態・負荷状態に基づく信頼区間項を用い、探索と活用のバランスをとる。
• 理論的解析により、学習レジーットが上界に抑えられることを証明し、最適なSeVへの収束が高確率で保証されることを示す。
• フレームワークは分散型に動作し、過去の遅延フィードバックのみを必要とし、車両状態情報のリアルタイム交換は不要である。

実験結果

リサーチクエスチョン

• RQ1 高い動的変化を示すVCC環境において、最小限のシグナリングオーバーヘッドで分散型のタスクオフロード意思決定をどのように行えるか？
• RQ2 SeVのパフォーマンスに関する事前知識がなく、マルチアームドバンディットに基づく学習的アプローチを用いる場合、オフロード遅延をどの程度低減できるか？
• RQ3 負荷の変動とSeVの時間的発生を、学習利得関数に効果的に組み込むにはどうすればよいか？これにより意思決定の正確性を向上できるか？
• RQ4 時間的に変化する車両ネットワークにおけるバンディットベースのオフロードアルゴリズムに対して、どのような理論的パフォーマンス保証を提供できるか？
• RQ5 提案されたAVUCBアルゴリズムは、既存のオフロード戦略と比較して遅延と収束速度の点でどの程度優れているか？

主な発見

• AVUCB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、ほぼ最適なオフロード遅延性能を達成し、ベースラインアルゴリズムを上回る。
• 利得関数に負荷に配慮した要素と発生に配慮した要素を統合することで、標準的なMABアプローチと比較して学習効率と遅延低減が顕著に向上する。
• 動的負荷とSeVの可用性を考慮した適応的信頼区間メカニズムにより、アルゴリズムは最適なSeVに迅速に収束する。
• 理論的解析により、学習レジーットが上界に抑えられることを確認し、時間経過に伴う安定的で予測可能なパフォーマンスが保証される。
• 分散型設計により、シグナリングオーバーヘッドが低減され、大規模で高移動性の車両ネットワークに適している。
• シミュレーションにより、SeVの可用性やネットワーク状態が急速に変動する状況でも、AVUCBは低遅延を維持することが示された。