[論文レビュー] Monte-Carlo optimizations for resource allocation problems in stochastic network systems

Miloš Hauskrecht, Tomáš Šingliar|arXiv (Cornell University)|Oct 19, 2012

Optimization and Search Problems参考文献 20被引用数 8

ひとこと要約

本稿では、部品の故障によって不確実性が生じる確率的ネットワークシステムにおけるリソース割り当て問題を解決するため、モンテカルロ最適化手法を提案する。サンプリングに基づく手法を活用することで、正確な手法の指数的計算複雑性を克服し、UAI 2003の実験で大規模ネットワークにおいて強力なスケーラビリティと性能を示した。

ABSTRACT

Real-world distributed systems and networks are often unreliable and subject to random failures of its components. Such a stochastic behavior affects adversely the complexity of optimization tasks performed routinely upon such systems, in particular, various resource allocation tasks. In this work we investigate and develop Monte Carlo solutions for a class of two-stage optimization problems in stochastic networks in which the expected value of resource allocations before and after stochastic failures needs to be optimized. The limitation of these problems is that their exact solutions are exponential in the number of unreliable network components: thus, exact methods do not scale-up well to large networks often seen in practice. We first prove that Monte Carlo optimization methods can overcome the exponential bottleneck of exact methods. Next we support our theoretical findings on resource allocation experiments and show a very good scale-up potential of the new methods to large stochastic networks.

研究の動機と目的

• 大規模な確率的ネットワークシステムにおけるリソース割り当ての最適化という課題に取り組む。
• 故障前の意思決定と故障後の意思決定を含む二段階最適化問題において、正確な手法の指数的計算複雑性を克服する。
• 解の品質を維持しつつ計算負荷を軽減する、スケーラブルなサンプリングに基づく最適化手法を開発する。
• 現実的なネットワークリソース割り当てタスクにおいて、モンテカルロ手法のスケーラビリティと有効性を実証的に検証する。

提案手法

• 著者らは、リソース割り当て問題を、故障発生前と故障発生後に意思決定がなされる二段階の確率的最適化問題としてモデル化する。
• すべての故障シナリオの組み合わせを明示的に列挙するのを避けるために、モンテカルロサンプリングを用いて期待コストまたは期待利得を推定する。
• 故障の実現値をランダムにサンプリングすることで、リソース割り当ての期待値を近似し、問題を一連の決定的最適化サブ問題に還元する。
• 繰り返しサンプリングと勾配に類似した更新を用いることで、反復的に解の品質を向上させるための確率的近似フレームワークを適用する。
• 指数的に増加する故障空間の完全列挙を避けることで、ネットワークサイズに応じて効率的にスケーリングできるように設計されている。
• 性能とスケーラビリティを評価するために、ベンチマークネットワークシステム上でアルゴリズムを実装および評価する。

実験結果

リサーチクエスチョン

• RQ1 モンテカルロサンプリングは、信頼性の低い部品を有する確率的ネットワークにおける期待リソース割り当てコストを効果的に近似できるか？
• RQ2 多数の故障組み合わせが存在する大規模ネットワークにおいて、提案されたサンプリングベースの手法は正確な手法よりもスケーリングが優れているか？
• RQ3 最適性と計算コストの観点から、モンテカルロ手法の解の品質は正確な解と比べてどの程度か？
• RQ4 ネットワークサイズや故障確率が変化する条件下で、サンプリングベースの最適化の収束特性と安定性はいかがなっているか？
• RQ5 本手法は、実用的な精度と性能を満たす範囲で、現実のネットワークリソース割り当て問題に実際に適用可能か？

主な発見

• モンテカルロ最適化手法は、二段階確率的リソース割り当て問題における正確な手法に内在する指数的複雑性のボトルネックを効果的に克服した。
• 本手法は強力なスケーラビリティを示し、信頼性の低い部品の数が著しく増加しても、計算時間の増加を抑えることができた。
• 実験結果から、モンテカルロ手法は、正確な列挙の計算が非現実的であることを考えると、少数のサンプルでほぼ最適な解に到達することが示された。
• 本手法は大規模ネットワークに対しても良好にスケーリングされ、正確な手法が計算的に非現実的であるような実世界の応用において実用的であることがわかった。
• 本研究は、確率的ネットワークシステムにおいて、サンプリングベースの最適化が正確な手法の実用的で効率的な代替手段であることを確認した。