[논문 리뷰] Adaptive Learning-Based Task Offloading for Vehicular Edge Computing Systems

Yuxuan Sun, Xueying Guo외 5명|arXiv (Cornell University)|2019. 01. 16.

IoT and Edge/Fog Computing참고 문헌 28인용 수 10

한 줄 요약

이 논문은 다이나믹하고 불확실한 환경에서 오프로딩 지연을 최소화하기 위해 다중 손잡이 밴딧(MAB) 이론을 활용한 적응형 학습 기반 작업 오프로딩(알토) 알고리즘을 제안한다. 알토는 입력 인지성과 발생 인지성을 갖춘 분산형, 저복잡도의 의사결정을 가능하게 하여 시간에 따라 변화하는 워크로드와 변화하는 서비스 차량(SeV) 가용성에 적응하며, UCB 기반 방법 대비 평균 지연을 최대 30% 낮춘다.

ABSTRACT

The vehicular edge computing (VEC) system integrates the computing resources of vehicles, and provides computing services for other vehicles and pedestrians with task offloading. However, the vehicular task offloading environment is dynamic and uncertain, with fast varying network topologies, wireless channel states and computing workloads. These uncertainties bring extra challenges to task offloading. In this work, we consider the task offloading among vehicles, and propose a solution that enables vehicles to learn the offloading delay performance of their neighboring vehicles while offloading computation tasks. We design an adaptive learning-based task offloading (ALTO) algorithm based on the multi-armed bandit (MAB) theory, in order to minimize the average offloading delay. ALTO works in a distributed manner without requiring frequent state exchange, and is augmented with input-awareness and occurrence-awareness to adapt to the dynamic environment. The proposed algorithm is proved to have a sublinear learning regret. Extensive simulations are carried out under both synthetic scenario and realistic highway scenario, and results illustrate that the proposed algorithm achieves low delay performance, and decreases the average delay up to 30% compared with the existing upper confidence bound based learning algorithm.

연구 동기 및 목표

• 네트워크 구조, 채널 상태, 워크로드가 급격히 변화하는 차량 엣지 컴퓨팅(VeC) 시스템에서의 다이나믹하고 불확실한 작업 오프로딩 문제를 해결하기 위해.
• 서비스 차량(SeV) 성능에 대한 사전 지식 없이도 작업 차량(TaV)이 실시간으로 최적의 오프로딩 결정을 학습할 수 있도록 하기 위해.
• 상태 정보(예: 채널 품질 또는 워크로드)의 빈번한 교환 없이도 분산 방식으로 평균 오프로딩 지연을 최소화하기 위해.
• 다양한 작업 워크로드와 동적으로 변화하는 SeV의 출현을 고려한 적응형 학습 프레임워크를 설계하여 실세계 VeC 시나리오에서의 학습 효율성을 향상시키기 위해.

제안 방법

• 알토 알고리즘은 다중 손잡이 밴딧(MAB) 이론에 기반하며, 각 가능한 SeV를 하나의 손잡이로 모델링하여 탐색과 이용의 균형을 이룬다.
• 작업 워크로드 크기에 따라 탐색 가중치를 조정하는 입력 인지성과 새로운 SeV의 출현 시간에 맞춰 적응하는 발생 인지성을 도입한다.
• 유용도 함수는 로그 기반 탐색 항목에 비례하는 신뢰 구간을 포함하며, 워크로드 및 SeV 가용성 요소에 의해 조절된다.
• 하나의 비선형 학습 회귀 한계를 사용하여, 환경의 다이나믹성에도 불구하고 시간이 지남에 따라 최적의 오프로딩 결정으로 수렴함을 보장한다.
• 이론적 분석을 통해 알토가 비선형 회귀를 달성함을 증명하며, 지연 최소화에서 渐近 최적성(점점 최적에 수렴함)을 보장한다.
• 성능 검증을 위해 Veins 시뮬레이터를 사용하여 합성 및 현실적인 고속도로 시나리오에서 시뮬레이션을 수행한다.

실험 결과

연구 질문

• RQ1 네트워크 및 워크로드 조건이 급격히 변화하는 다이나믹한 VeC 환경에서 작업 오프로딩 결정을 어떻게 최적화할 수 있는가?
• RQ2 중앙 집중식 조율이나 빈번한 상태 정보 교환 없이도 학습 기반 접근법이 오프로딩 지연을 줄일 수 있는가?
• RQ3 가용한 서비스 차량 집합과 작업 워크로드가 시간에 따라 변화할 때 탐색-이용 트레이드오프를 효과적으로 어떻게 관리할 수 있는가?
• RQ4 MAB 기반 학습 프레임워크에 입력 인지성과 발생 인지성을 통합함으로써 어떤 성능 향상 효과를 얻을 수 있는가?

주요 결과

• 합성 및 현실적인 고속도로 시나리오에서 알토 알고리즘이 기존의 상한 신뢰도(UCB) 기반 학습 알고리즘 대비 평균 오프로딩 지연을 최대 30% 낮춘다.
• 알고리즘이 비선형 학습 회귀를 달성하여, 환경의 불확실성에도 불구하고 점점 최적의 오프로딩 전략으로 수렴함을 증명한다.
• 입력 인지성과 발생 인지성이 작업 크기와 SeV 가용성에 따라 탐색을 동적으로 조정함으로써 학습 효율성을 크게 향상시킨다.
• Veins 시뮬레이터에서 실시한 광범위한 시뮬레이션을 통해 알토가 현실적인 차량 이동성과 워크로드 변동 조건에서도 낮은 지연 성능을 유지함을 확인했다.
• 이론적 분석을 통해 새로운 SeV가 다른 시간에 등장하고 작업 워크로드가 시간에 따라 변할 때에도 알고리즘이 효과적으로 작동함을 입증했다.