[論文レビュー] The state-of-the-art review on resource allocation problem using artificial intelligence methods on various computing paradigms

Javad Hassannataj Joloudari, Sanaz Mojrian+8 more|arXiv (Cornell University)|Mar 23, 2022

Traffic Prediction and Management Techniques被引用数 4

ひとこと要約

本論文は、クラウド、フォッグ、IoT、5G、車載ネットワークを含む多様なコンピューティングパラダイムにおける人工知能（AI）ベースのリソース割り当てに関する包括的かつ最新のレビューを提示している。主に深層学習および強化学習技術—特に深層Q学習とQ学習—に焦点を当て、遅延、エネルギー消費、コストといった主要なパフォーマンス指標の最適化を図り、AIが分散環境におけるシステム効率性およびスケーラビリティを向上させる有効性を示している。

ABSTRACT

With the increasing growth of information through smart devices, increasing the quality level of human life requires various computational paradigms presentation including the Internet of Things, fog, and cloud. Between these three paradigms, the cloud computing paradigm as an emerging technology adds cloud layer services to the edge of the network so that resource allocation operations occur close to the end-user to reduce resource processing time and network traffic overhead. Hence, the resource allocation problem for its providers in terms of presenting a suitable platform, by using computational paradigms is considered a challenge. In general, resource allocation approaches are divided into two methods, including auction-based methods(goal, increase profits for service providers-increase user satisfaction and usability) and optimization-based methods(energy, cost, network exploitation, Runtime, reduction of time delay). In this paper, according to the latest scientific achievements, a comprehensive literature study (CLS) on artificial intelligence methods based on resource allocation optimization without considering auction-based methods in various computing environments are provided such as cloud computing, Vehicular Fog Computing, wireless, IoT, vehicular networks, 5G networks, vehicular cloud architecture,machine-to-machine communication(M2M),Train-to-Train(T2T) communication network, Peer-to-Peer(P2P) network. Since deep learning methods based on artificial intelligence are used as the most important methods in resource allocation problems; Therefore, in this paper, resource allocation approaches based on deep learning are also used in the mentioned computational environments such as deep reinforcement learning, Q-learning technique, reinforcement learning, online learning, and also Classical learning methods such as Bayesian learning, Cummins clustering, Markov decision process.

研究の動機と目的

• クラウド、フォッグ、IoT、5Gネットワークを含む異種コンピューティング環境におけるAIベースのリソース割り当ての最新の進展を分析すること。
• 動的かつ分散型ワークロード下でのリソース割り当て最適化において、深層学習および強化学習手法の有効性を評価すること。
• 新たなコンピューティングパラダイムにおいて、遅延、エネルギー効率、ネットワークオーバーヘッドといったリソース割り当ての主な課題を特定すること。
• 古典的手法（ベイジアン学習、マルコフ決定過程など）と比較して、特に深層強化学習およびQ学習を含むAI手法の体系的比較を実施すること。
• 最新のアプローチを統合し、現在の手法論におけるギャップを明らかにすることで、今後の研究の基盤を構築すること。

提案手法

• 複数のコンピューティングパラダイムにわたるAIベースのリソース割り当てに関する包括的文献調査（CLS）を実施し、オークションベースの手法を除く。
• 動的かつ適応的リソース割り当てを目的として、特に深層強化学習（DRL）、Q学習、オンライン学習に焦点を当てる深層学習ベースのアプローチに注目する。
• 時間変動する環境におけるリソース割り当てに適した古典的手法（ベイジアン学習、カミンズクラスタリング、マルコフ決定過程（MDPs））の評価。
• 自動車フォッグコンピューティング、機械対機械（M2M）通信、ピアツーピア（P2P）ネットワークを含む多様な環境におけるAI手法の統合を分析する。
• AI手法と非AI手法の間で、処理遅延、エネルギー消費、コスト、ネットワーク利用度といったパフォーマンス指標を比較する。
• 最適化目標（遅延の最小化、エネルギー消費の低減、コスト効率の向上）を軸に、分散型およびエッジ中心のアーキテクチャにおけるレビューを構造化する。

実験結果

リサーチクエスチョン

• RQ1 深層強化学習およびQ学習技術は、クラウドおよびフォッグコンピューティング環境におけるリソース割り当て効率をどのように向上させるか？
• RQ2 動的ネットワーク環境において、深層Q学習などのAIベースの手法は、マルコフ決定過程などの古典的手法に比べてどのような相対的利点を有するか？
• RQ3 AI駆動のリソース割り当て戦略は、5G、IoT、および車載ネットワークにおいて、遅延とエネルギー消費をどのように低減するか？
• RQ4 オンライン学習および適応的学習メカニズムは、分散型およびモバイルコンピューティングパラダイムにおけるリアルタイムリソース割り当てをどのように向上させるか？
• RQ5 P2P、T2T、M2Mネットワークなどの異なるコンピューティングモデルにおいて、AIベースのリソース割り当ての主なパフォーマンスのトレードオフと制限要因は何か？

主な発見

• 深層強化学習およびQ学習技術は、クラウドおよびフォッグコンピューティング環境において処理遅延を顕著に低減し、リソース利用効率を向上させている。
• AIベースの手法は、自動車およびIoTシステムのような高変動性の高いネットワーク環境において、ベイジアン学習やカミンズクラスタリングなどの古典的手法を上回る性能を示している。
• リソース割り当てにおける深層学習の統合は、5GおよびM2M通信ネットワーク全体でエネルギー消費とネットワークオーバーヘッドの顕著な低減をもたらしている。
• オンライン学習および適応的AIモデルは、ピアツーピアおよび列車対列車（T2T）通信ネットワークのようなリアルタイム環境において、優れたスケーラビリティと応答性を示している。
• 強化学習ベースのシステムは、変化するワークロードおよびネットワーク状態に動的に適応することで、ユーザー満足度とシステム安定性を高めている。
• 本研究は、異種コンピューティングインfra構造において、AI駆動の最適化手法が実行時間の最小化およびコスト効率の向上に特に効果的であることを確認している。