[論文レビュー] Task Replication for Vehicular Edge Computing: A Combinatorial Multi-Armed Bandit based Approach

Yuxuan Sun, Jinhui Song+3 more|arXiv (Cornell University)|Jul 16, 2018

IoT and Edge/Fog Computing参考文献 14被引用数 3

ひとこと要約

本稿では、極めて動的な車両エッジコンピューティング（VEC）システムにおける平均オフロード遅延を最小化するために、組み合わせ的多腕バンディット（CMAB）理論を用いた学習ベースのタスクリプリケーションアルゴリズム（LTRA）を提案する。複数のサービス車両にタスクをリプリケートし、リアルタイムでチャネル状態と負荷状態を学習することで、サービスの信頼性を向上させ、0.6秒以内に98％のタスク完了率を達成した。これは単一オフロードと比較して80％から向上した。

ABSTRACT

In vehicular edge computing (VEC) system, some vehicles with surplus computing resources can provide computation task offloading opportunities for other vehicles or pedestrians. However, vehicular network is highly dynamic, with fast varying channel states and computation loads. These dynamics are difficult to model or to predict, but they have major impact on the quality of service (QoS) of task offloading, including delay performance and service reliability. Meanwhile, the computing resources in VEC are often redundant due to the high density of vehicles. To improve the QoS of VEC and exploit the abundant computing resources on vehicles, we propose a learning-based task replication algorithm (LTRA) based on combinatorial multi-armed bandit (CMAB) theory, in order to minimize the average offloading delay. LTRA enables multiple vehicles to process the replicas of the same task simultaneously, and vehicles that require computing services can learn the delay performance of other vehicles while offloading tasks. We take the occurrence time of vehicles into consideration, and redesign the utility function of existing CMAB algorithm, so that LTRA can adapt to the time varying network topology of VEC. We use a realistic highway scenario to evaluate the delay performance and service reliability of LTRA through simulations, and show that compared with single task offloading, LTRA can improve the task completion ratio with deadline 0.6s from 80% to 98%.

研究の動機と目的

• チャネル状態と計算負荷が急速に変化する極めて動的な車両ネットワークにおける課題に取り組む。従来のモデリングや予測は非現実的である。
• 密度の高い車両集団からの冗長な計算リソースを活用することで、VECにおけるサービス品質（QoS）を向上させる。
• グローバルな状態情報が得られない状況でも、タスク車両が適応的にサービス車両を選択できる分散型で学習ベースのタスクオフロードメカニズムを設計する。
• 時間変動するネットワーク条件下でも、平均オフロード遅延を最小化しながら高いサービス信頼性を維持する。
• 実世界のシナリオにおいて、性能と計算コストのバランスを取るために、タスクリプリケートの数と離散化レベルを最適化する。

提案手法

• 各タスク車両（TaV）が複数の候補となるサービス車両（SeV）に同時にリプリケートをオフロードする分散型タスクリプリケーションフレームワークを提案する。
• 組み合わせ的多腕バンディット（CMAB）理論を適用し、SeVグループの選択をモデル化。各グループを「組み合わせ的アーム」として扱い、遅延に基づく報酬を設定する。
• 車両の出現時刻を組み込んだ新たな効用関数を設計することで、時間変動するVECトポロジに適応可能にする。
• 信頼区間に基づくアプローチを用いて遅延の累積分布関数（CDF）を推定し、探索と活用のバランスを取る。
• 正規化と単調な報酬変換を用いて、遅延最小化問題を報酬最大化問題に変換する。
• 調整可能なレベル $ l $ を持つ離散化された遅延推定法を採用し、実行時間と推定精度のトレードオフを最適化する。

実験結果

リサーチクエスチョン

• RQ1 グローバル状態情報が限られている状況下で、極めて動的なVEC環境におけるタスクオフロード遅延をどのように最小化できるか？
• RQ2 変動する交通密度下で、遅延低減とリソース利用のバランスを取るために最適なタスクリプリケート数は何か？
• RQ3 遅延分布の離散化レベルが、学習アルゴリズムの性能と実行時間にどのように影響するか？
• RQ4 学習ベースのアプローチは、平均遅延とサービス信頼性の両面で単一オフロードを上回るか？
• RQ5 実際の高速道路シナリオにおいて、時間変動する車両トポロジと一時的なチャネル状態に、アルゴリズムはどのように適応するか？

主な発見

• LTRAは単一オフロードと比較して平均オフロード遅延を顕著に低減し、ジェイン・エイドド最適ポリシーの性能に近づいた。
• 0.6秒のデッドライン下で、LTRAは2つのリプリケートのみで98％のタスク完了率を達成した。これは単一オフロードの80％と比較して顕著な向上である。
• タスク車両からサービス車両への密度比が0.3を超えると、4つのリプリケートよりも2つのリプリケートの方が遅延性能が優れる。
• 離散化レベル $ l $ が40～50の範囲にあると、遅延推定精度とアルゴリズム実行時間の両面で最良のトレードオフが得られる。
• アルゴリズムの学習レジスト（学習の誤差）は理論的に有界であることが確認され、CMABフレームワーク下での収束性と安定性が裏付けられた。
• 効用関数に車両の出現時刻を組み込むことで、LTRAは動的な車両トポロジに効果的に適応し、リアルタイムでの適応性が向上した。