[논문 리뷰] Age of Processing: Age-driven Status Sampling and Processing Offloading for Edge Computing-enabled Real-time IoT Applications

Rui Li, Qian Ma외 3명|arXiv (Cornell University)|2020. 03. 24.

Age of Information Optimization참고 문헌 46인용 수 8

한 줄 요약

이 논문은 엣지 컴퓨팅 기반 실시간 IoT 애플리케이션에서 데이터 처리 지연이 시기성에 영향을 미치는 상황에서 상태 신선도를 정량화하기 위해 새로운 지표인 처리 연령(AoP)을 제안한다. 처리 지연을 고려한 상태 샘플링 주기와 처리 오프로딩의 공동 최적화 문제를 제약 조건이 있는 마르코프 결정 과정(CMDP)으로 수식화하고, 라그랑주 승수 기법과 변동 기반 정밀 조정을 통해 이를 해결하며, 기준 대비 평균 AoP를 최대 30%까지 감소시킴을 입증한다.

ABSTRACT

The freshness of status information is of great importance for time-critical Internet of Things (IoT) applications. A metric measuring status freshness is the age-of-information (AoI), which captures the time elapsed from the status being generated at the source node (e.g., a sensor) to the latest status update.However, in intelligent IoT applications such as video surveillance, the status information is revealed after some computation intensive and time-consuming data processing operations, which would affect the status freshness. In this paper, we propose a novel metric, age-of-processing (AoP), to quantify such status freshness, which captures the time elapsed of the newest received processed status data since it is generated. Compared with AoI, AoP further takes the data processing time into account. Since an IoT device has limited computation and energy resource, the device can choose to offload the data processing to the nearby edge server under constrained status sampling frequency.We aim to minimize the average AoP in a long-term process by jointly optimizing the status sampling frequency and processing offloading policy. We formulate this online problem as an infinite-horizon constrained Markov decision process (CMDP) with average reward criterion. We then transform the CMDP problem into an unconstrained Markov decision process (MDP) by leveraging a Lagrangian method, and propose a Lagrangian transformation framework for the original CMDP problem. Furthermore, we integrate the framework with perturbation based refinement for achieving the optimal policy of the CMDP problem. Extensive numerical evaluations show that the proposed algorithm outperforms the benchmarks, with an average AoP reduction up to 30%.

연구 동기 및 목표

• 계산이 집약적인 IoT 애플리케이션에서 처리 지연으로 인해 시기성이 떨어지는 상태 업데이트를 유지하는 데 도전 과제를 해결하기 위해.
• 데이터 생성부터 처리 결과 전달까지의 종단 간 신선도를 반영하는 새로운 지표인 처리 연령(AoP)을 제안하기 위해.
• 자원 및 시간 제약 조건 하에서 상태 샘플링 주기와 처리 오프로딩 결정을 공동으로 최적화하기 위해.
• 변동하는 무선 채널 상태와 변동하는 계산 요구량이 있는 엣지 컴퓨팅 환경에서 장기 평균 AoP를 최소화하기 위해.

제안 방법

• 무한 시간 범위 제약 조건이 있는 마르코프 결정 과정(CMDP)으로 최적화 문제를 수식화하고, 평균 보상 기준을 적용한다.
• 제약 조건이 있는 CMDP 문제를 비제약 마르코프 결정 과정(MDP)으로 변환하기 위해 라그랑주 승수 기법을 적용한다.
• 동적 프rogram밍 원리를 이용해 변형된 MDP 문제의 최적 정책을 유도한다.
• 라그랑주 승수를 조정하고 원래 CMDP 문제의 최적 정책을 복원하기 위해 변동 기반 정밀 조정 방법을 도입한다.
• 다양한 채널 상태, 계산 요구량 및 샘플링 제약 조건 하에서 성능을 평가하기 위해 시뮬레이션 프레임워크를 활용한다.
• 전송 및 처리 시간에 영향을 미치는 시간에 따라 변하는 무선 채널 상태를 모델링하기 위해 3단계 마르코프 체인을 사용한다.

실험 결과

연구 질문

• RQ1 실시간 IoT 시스템에서 상태 업데이트에 처리 지연을 포함할 경우 종단 간의 통합적 시기성은 어떻게 영향을 받는가?
• RQ2 변동하는 채널 조건 하에서 현지 처리와 엣지 오프로딩 사이의 최적 트레이드오프는 무엇인가?
• RQ3 샘플링 주기와 처리 오프로딩이 처리 연령(AoP)에 미치는 영향은 어떠한가?
• RQ4 장기 평균 AoP 최소화 조건 하에서 샘플링과 오프로딩의 공동 최적화 문제를 라그랑주 승수 기법으로 효과적으로 해결할 수 있는가?
• RQ5 계산 요구량은 AoP 측면에서 오프로딩 전략의 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 알고리즘은 항상 오프로딩 정책(AEZW) 대비 최대 30%의 평균 AoP 감소와 AECW 대비 20%의 감소를 달성하며, 특히 열악한 채널 조건에서 뚜렷한 성능 향상을 보인다.
• 최적 정책은 약 1460ms의 평균 AoP를 달성하여 ALCW(1600ms) 및 기준 정책보다 뛰어난 성능을 보인다.
• 전송 시간이 700ms를 초과할 경우, 제안된 알고리즘은 열악한 채널 상태에서 오프로딩을 피하기 때문에 항상 오프로딩 정책보다 AoP 증가율이 느리게 나타난다.
• 고도의 계산 요구량(예: 2.0 Gigacycles)에서는 처리 시간이 AoP를 지배하기 때문에 제안된 알고리즘이 항상 오프로딩 정책(AEZW)에 수렴한다.
• ALCW 정책은 계산 요구량 증가로 인해 국한된 현지 처리 용량으로 인해 높은 AoP를 경험하지만, 엣지 서버의 높은 처리 능력 덕분에 항상 오프로딩 정책은 안정성을 유지한다.
• 전송 시간이 낮을 경우 AEZW 정책은 최소 샘플링 간격 제약 조건(T_min = 1200 ms)을 위반하여 최적화되지 않은 샘플링 주기로 인해 성능이 열 劣화됨을 나타낸다.