[논문 리뷰] Task Replication for Vehicular Edge Computing: A Combinatorial Multi-Armed Bandit based Approach

Yuxuan Sun, Jinhui Song외 3명|arXiv (Cornell University)|2018. 07. 16.

IoT and Edge/Fog Computing참고 문헌 14인용 수 3

한 줄 요약

이 논문은 고도로 동적인 차량 엣지 컴퓨팅(Vehicle Edge Computing, VEC) 환경에서 평균 오플로딩 지연을 최소화하기 위해 조합적 다중 손잡이 밴딧(CMAB) 이론을 활용한 학습 기반 작업 복제 알고리즘(LTRA)을 제안한다. 실시간으로 채널 상태와 부하 조건을 학습하면서 다수의 서비스 차량에 걸쳐 작업을 복제함으로써 서비스 신뢰성을 향상시켜, 0.6초 이내에 98%의 작업 완료 비율을 달성하였으며, 이는 단일 오플로딩 대비 80%에서 향상된 성능이다.

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%.

연구 동기 및 목표

• 채널 상태와 계산 부하가 급격히 변화하는 고도로 동적인 차량 네트워크 환경에서 기존의 모델링이나 예측이 불가능한 문제에 대응한다.
• 밀도 높은 차량 집단으로부터 유용한 복제 컴퓨팅 자원을 활용해 VEC에서의 서비스 품질(QoS)을 향상시킨다.
• 전체 상태 정보 없이도 작업 차량이 분산된 방식으로 적응적으로 서비스 차량을 선택할 수 있도록 분산형, 학습 기반의 작업 오플로딩 메커니즘을 설계한다.
• 시간에 따라 변하는 네트워크 조건 하에서도 평균 오플로딩 지연을 최소화하면서 높은 서비스 신뢰성을 유지한다.
• 실세계 환경에서 성능과 계산 비용의 균형을 고려해 작업 복제 수와 이산화 수준을 최적화한다.

제안 방법

• 각 작업 차량(TaV)이 동시에 여러 후보 서비스 차량(SeV)에 복제를 오픈로딩하는 분산형 작업 복제 프레임워크를 제안한다.
• 조합적 다중 손잡이 밴딧(CMAB) 이론을 적용하여 SeV 그룹 선택을 모델링하고, 각 그룹을 '조합적 손잡이'로 간주하며 지연 기반 보상을 부여한다.
• 차량의 등장 시간을 고려한 유용도 함수를 재설계하여 시간에 따라 변화하는 VEC 아키텍처에 적응할 수 있도록 한다.
• 신뢰도 기반 접근법을 사용하여 지연의 누적분포함수(CDF)를 추정하고, 탐색과 이용의 균형을 맞춘다.
• 정규화 및 단조 증가 보상 변환을 통해 지연 최소화 문제를 보상 최대화 문제로 변환한다.
• 조절 가능한 수준 $ l $을 가진 이산화 지연 추정 방법을 활용하여 런타임과 추정 정확도 사이의 균형을 최적화한다.

실험 결과

연구 질문

• RQ1 제한된 전역 상태 정보가 있는 고도로 동적인 VEC 환경에서 어떻게 작업 오플로딩 지연을 최소화할 수 있는가?
• RQ2 다양한 교통 밀도 조건 하에서 지연 감소와 자원 활용도를 균형 잡기 위해 최적의 작업 복제 수는 얼마인가?
• RQ3 지연 분포의 이산화 수준이 학습 알고리즘의 성능과 런타임에 어떤 영향을 미치는가?
• RQ4 학습 기반 접근법이 단일 오플로딩 대비 평균 지연과 서비스 신뢰도 측면에서 더 우수한 성능을 내는가?
• RQ5 실제 고속도로 환경에서 시간에 따라 변화하는 차량 구조와 일시적인 채널 조건에 알고리즘이 어떻게 적응하는가?

주요 결과

• LTRA는 단일 오플로딩 대비 평균 오플로딩 지연을 크게 감소시켜, 마치 지네이(ge ´e)가 알려주는 최적 정책에 가까운 성능을 달성한다.
• 0.6초의 마감 시간을 고려할 때, LTRA는 단지 두 개의 복제본만으로도 98%의 작업 완료 비율을 달성하였으며, 이는 단일 오플로딩의 80%에 비해 훨씬 높은 성능이다.
• 작업 차량 대 서비스 차량의 밀도 비율이 0.3를 초과하면, 더 많은 복제본(예: 4개)을 사용하는 것보다 적은 복제본(예: 2개)을 사용할 경우 더 우수한 지연 성능을 보인다.
• 지연 추정 정확도와 알고리즘 런타임 사이의 최적 균형을 확보하기 위해 이산화 수준 $ l $가 40~50일 때 가장 우수한 성능을 보였다.
• 알고리즘의 학습 실수는 이론적으로 유계되어 있어, CMAB 프레임워크 하에서 수렴성과 안정성을 확인할 수 있었다.
• LTRA는 유용도 함수에 차량의 등장 시간을 통합함으로써 동적인 차량 구조에 효과적으로 적응하여 실시간 적응성 향상을 이룬다.