[논문 리뷰] EdgeAISim: A Toolkit for Simulation and Modelling of AI Models in Edge Computing Environments

Aadharsh Roshan Nandhakumar, Ayush Baranwal외 3명|arXiv (Cornell University)|2023. 10. 09.

IoT and Edge/Fog Computing참고 문헌 36인용 수 5

한 줄 요약

EdgeAISim는 엣지 컴퓨팅에서 인공지능 기반 자원 관리 시뮬레이션과 모델링을 가능하게 하는 경량 파이썬 툴킷입니다. 딥 Q 네트워크와 다중 손잡이 밴디트와 같은 강화 학습 모델을 통합함으로써, 최악의 적합도 기반 정책 대비 최대 42%의 전력 소비 감소를 입증하여 엣지 환경에서 뚜렷한 에너지 효율성 향상을 보여줍니다.

ABSTRACT

To meet next-generation IoT application demands, edge computing moves processing power and storage closer to the network edge to minimise latency and bandwidth utilisation. Edge computing is becoming popular as a result of these benefits, but resource management is still challenging. Researchers are utilising AI models to solve the challenge of resource management in edge computing systems. However, existing simulation tools are only concerned with typical resource management policies, not the adoption and implementation of AI models for resource management, especially. Consequently, researchers continue to face significant challenges, making it hard and time-consuming to use AI models when designing novel resource management policies for edge computing with existing simulation tools. To overcome these issues, we propose a lightweight Python-based toolkit called EdgeAISim for the simulation and modelling of AI models for designing resource management policies in edge computing environments. In EdgeAISim, we extended the basic components of the EdgeSimPy framework and developed new AI-based simulation models for task scheduling, energy management, service migration, network flow scheduling, and mobility support for edge computing environments. In EdgeAISim, we have utilised advanced AI models such as Multi-Armed Bandit with Upper Confidence Bound, Deep Q-Networks, Deep Q-Networks with Graphical Neural Network, and ActorCritic Network to optimize power usage while efficiently managing task migration within the edge computing environment. The performance of these proposed models of EdgeAISim is compared with the baseline, which uses a worst-fit algorithm-based resource management policy in different settings. Experimental results indicate that EdgeAISim exhibits a substantial reduction in power consumption, highlighting the compelling success of power optimization strategies in EdgeAISim.

연구 동기 및 목표

• 엣지 컴퓨팅에서 인공지능 기반 자원 관리를 지원하는 시뮬레이션 도구의 부족을 해결하기 위해.
• 연구자들이 작업 스케줄링, 에너지 관리 및 서비스 마이그레이션을 위한 새로운 인공지능 기반 정책을 효율적으로 설계하고 평가할 수 있도록 하기 위해.
• 고급 강화 학습 기법을 통해 엣지 환경의 전력 소비를 줄이기 위해.
• AI 네이티브 시뮬레이션 기능을 갖춘 EdgeSimPy를 확장하는 모듈러하고 오픈소스 프레임워크를 제공하기 위해.
• 대규모 IoT 및 6G 기반 응용 프로그램을 위한 지속 가능하고 에너지 효율적인 엣지 컴퓨팅을 지원하기 위해.

제안 방법

• 작업 스케줄링, 에너지 관리, 서비스 마이그레이션 및 네트워크 흐름 스케줄링를 위한 AI 인식 구성 요소를 EdgeSimPy 프레임워크에 통합합니다.
• 다양한 강화 학습 알고리즘 통합: 상한 신뢰도 기반 상한(UCB)을 적용한 다중 손잡이 밴디트, 딥 Q 네트워크(DQN), 그래프 신경망 강화 DQN(GNN-DQN), 액터-크리틱 네트워크.
• 이질적인 컴퓨팅 및 에너지 제약 조건을 가진 엣지 디바이스를 모델링하여 동적 워크로드와 이동성을 시뮬레이션합니다.
• AI 정책 학습과 시스템 시뮬레이션을 분리하는 모듈러 아키텍처를 사용하여 새로운 RL 에이전트의 플러그 앤 플레이 통합을 가능하게 합니다.
• 정책 최적화를 이끄는 데 도움이 되도록 작업 완료 시간, 에너지 사용량 및 마이그레이션 오버헤드를 균형 잡는 보상 함수를 사용합니다.
• 다양한 엣지 컴퓨팅 시나리오와 워크로드에서 최악의 적합도 기반 정책과의 성능 비교를 통해 검증합니다.

실험 결과

연구 질문

• RQ1 인공지능 기반 자원 관리 정책은 엣지 컴퓨팅 환경에서 전력 소비를 크게 줄일 수 있는가?
• RQ2 다양한 강화 학습 알고리즘이 엣지 시스템의 작업 스케줄링 및 에너지 사용 최적화에서 어떻게 비교되는가?
• RQ3 전통적 히우리스틱 정책에 비해 인공지능 기반 모델은 자원 활용도와 작업 마이그레이션 효율성을 얼마나 향상시킬 수 있는가?
• RQ4 이질적인 엣지 디바이스 구성과 동적 워크로드 환경에서 EdgeAISim 프레임워크는 얼마나 확장 가능하고 적응 가능한가?
• RQ5 GNN을 DQN과 통합하면 네트워크 인식 엣지 작업 스케줄링에서 의사결정을 향상시킬 수 있는가?

주요 결과

• EdgeAISim는 다양한 시뮬레이션 시나리오에서 최악의 적합도 기반 정책 대비 평균 전력 소비를 최대 42%까지 감소시킵니다.
• 액터-크리틱 및 GNN-DQN 모델은 표준 DQN 및 UCB보다 에너지 효율성과 작업 완료 지연을 더 잘 균형 잡는 데 성공합니다.
• 시뮬레이션 파이프라인에 AI 모델을 통합함으로써 워크로드 변화와 디바이스 이질성에 동적으로 대응할 수 있습니다.
• 이 툴킷은 실시간 정책 평가를 지원하며 새로운 인공지능 기반 자원 관리 전략의 빠른 프로토타이핑을 가능하게 합니다.
• EdgeAISim는 강력한 확장성과 모듈성을 보이며, 모바일 엣지 컴퓨팅 및 IoT 워크로드를 포함한 다양한 엣지 사용 사례를 지원합니다.
• EdgeAISim의 오픈소스 배포는 재현 가능성을 보장하고 커뮤니티 기반의 확장 및 검증을 촉진합니다.