[論文レビュー] Mobile Edge Computing and Artificial Intelligence: A Mutually-Beneficial Relationship

Ahmed A. Al-Habob, Octavia A. Dobre|arXiv (Cornell University)|Apr 27, 2020

IoT and Edge/Fog Computing参考文献 7被引用数 9

ひとこと要約

本稿では、モバイルエッジコンピューティング（MEC）と人工知能（AI）の包括的統合を提案する。AIは強化学習を用いた知的なリソース管理によりMECのオフロードを向上させる一方、MECはフェデレーテッドラーニングを介して分散型モバイルエッジラーニング（MEL）を可能にする。主な貢献は、ネットワークエッジにおけるリアルタイムのAI推論および学習を実現する自己最適化型で低遅延かつスケーラブルなフレームワークである。

ABSTRACT

This article provides an overview of mobile edge computing (MEC) and artificial intelligence (AI) and discusses the mutually-beneficial relationship between them. AI provides revolutionary solutions in nearly every important aspect of the MEC offloading process, such as resource management and scheduling. On the other hand, MEC servers are utilized to avail a distributed and parallelized learning framework, namely mobile edge learning.

研究の動機と目的

• VRやリアルタイムゲームなどのモバイルアプリケーションの増大する計算要求に対応し、ネットワークエッジでの局所的で低遅延の処理を可能にする。
• タスクの優先順位、依存関係、繰り返しタスクなどの制約下で発生するNP困難な意思決定問題を含む、MECオフロードの高い複雑性と動的な性質に起因する課題を克服する。
• フェデレーテッドラーニングフレームワークを用いて、分散エッジノード間で効率的かつスケーラブルに、かつプライバシーを保護した形でAIモデルの学習を可能にする。
• AIを活用して、リアルタイムで計算リソースおよび通信リソースを動的に管理する自己最適化型で適応可能なシステムを構築する。

提案手法

• MECオフロード意思決定をマルコフ意思決定過程（MDP）としてモデル化し、最適なタスク-サーバマッピングを選択するエージェントを強化学習で訓練する。
• 深層ニューラルネットワーク（DNN）を用いて、サーバの計算速度、チャネル品質、ユーザーのタスク要件などの特徴から、一般化可能なスケジューリングポリシーを学習する。
• 複数エージェント強化学習フレームワークを採用し、複数のユーザーとサーバー間で遅延、エネルギー、オフロード誤差を最小化するようにエージェントが協調する。
• フェデレーテッドラーニングに基づくモバイルエッジラーニング（MEL）アーキテクチャを設計し、エッジサーバーが局所モデルを学習し、中央オーケストレータに生データではなく更新済みのモデルパラメータのみを共有する。
• 論理的オーケストレータコンponentを用いて、局所モデルの更新を集約し、グローバルに更新されたパラメータをエッジサーバーに再配布することで、データプライバシーを保護する。
• 強化学習における報酬関数を定義し、遅延の最小化、エネルギー消費の低減、オフロード誤差の低減といった目的を反映させる。

実験結果

リサーチクエスチョン

• RQ1 低遅延かつ高効率を実現するため、未知のシステム状態に適応可能な一般化可能なスケジューリングポリシーを学習するため、AIをどのように活用してMECにおける動的で複雑なタスクオフロード意思決定を最適化できるか？
• RQ2 深層強化学習は、異種のエッジサーバーとモバイルユーザー間で、どのように適応的でリアルタイムのリソース割り当てを可能にするか？
• RQ3 通信オーバーヘッドを最小限に抑えつつ、データプライバシーを保護した形で、ネットワークエッジで効率的な分散AI学習をどのように実現できるか？
• RQ4 モバイルエッジラーニング（MEL）は、モバイルおよびIoT環境におけるAIモデル学習のスケーラビリティとパフォーマンスをどのように向上させるか？
• RQ5 MECとAIの統合は、どのように、知的で自己最適化型かつ適応可能な5G以降のネットワークの開発を可能にするか？

主な発見

• 深層ニューラルネットワークを用いた強化学習により、未知のシステム状態に適応可能な一般化可能なスケジューリングポリシーを学習でき、静的またはヒューリスティック手法を上回るオフロードパフォーマンスが実現された。
• MELにおけるフェデレーテッドラーニングの活用により、エッジサーバー間で分散型かつプライバシー保護型のAIモデル学習が可能となり、生データの送信ではなくモデルパラメータの送信に留めることで通信オーバーヘッドが削減された。
• MELフレームワークにより、複数のエッジノードに分散する多様な局所データを活用したAIモデルの学習が可能となり、機密データの集約を避けつつ、モデルの頑健性と一般化性能が向上した。
• AIとMECの統合により、動的なユーザー要求およびネットワーク状態にリアルタイムで適応可能な自己駆動型の知的ネットワークインfrastrucureが実現された。
• 提案されたMELおよびAI強化型オフロードフレームワークは、複雑で高次元のMEC環境において、遅延、エネルギー消費、オフロード誤差の低減に有効であることが示された。