[論文レビュー] A Dynamic Service-Migration Mechanism in Edge Cognitive Computing

Min Chen, Wei Li+4 more|arXiv (Cornell University)|Aug 22, 2018

IoT and Edge/Fog Computing参考文献 2被引用数 4

ひとこと要約

本論文は、エッジ自己認識計算（ECC）における動的サービス移行メカニズムを提案し、ユーザー移動性を予測するための深層強化学習を用いて、最適なエッジノードに認知サービスを事前に移行することで、超低レイテンシーと高い体験品質（QoE）を実現する。本システムは、最近接移行および移行なしの手法と比較して応答時間を最大40％短縮し、行動駆動型で認知機能を備えたサービス適応により、エネルギー効率とリソース利用効率を向上させる。

ABSTRACT

Driven by the vision of edge computing and the success of rich cognitive services based on artificial intelligence, a new computing paradigm, edge cognitive computing (ECC), is a promising approach that applies cognitive computing at the edge of the network. ECC has the potential to provide the cognition of users and network environmental information, and further to provide elastic cognitive computing services to achieve a higher energy efficiency and a higher Quality of Experience (QoE) compared to edge computing. This paper firstly introduces our architecture of the ECC and then describes its design issues in detail. Moreover, we propose an ECC-based dynamic service migration mechanism to provide an insight into how cognitive computing is combined with edge computing. In order to evaluate the proposed mechanism, a practical platform for dynamic service migration is built up, where the services are migrated based on the behavioral cognition of a mobile user. The experimental results show that the proposed ECC architecture has ultra-low latency and a high user experience, while providing better service to the user, saving computing resources, and achieving a high energy efficiency.

研究の動機と目的

• 従来のエッジコンピューティングの限界（高いネットワークレイテンシー、知能的なサービス適応の欠如）を解消するため、ネットワークエッジに自己認識コンピューティングを統合すること。
• ユーザー行動に配慮したプロアクティブなサービス移行を可能にし、ユーザー移動を予測してリアルタイムでサービス配置を最適化すること。
• ユーザー要件およびネットワーク状態に基づいて動的に認知コンピューティングリソースを割り当てることで、体験品質（QoE）とエネルギー効率を向上させること。
• 行動認識および深層強化学習を用いたリアルタイムサービス移行を支援する実用的なECCプラットフォームの開発と検証。

提案手法

• ネットワークエッジにデータ、リソース、ユーザー行動認識のための認知エンジンを統合した、革新的なエッジ自己認識計算（ECC）アーキテクチャを設計。
• ユーザー移動パターンとネットワーク状態に基づいてサービス移行意思決定をモデル化するため、Q学習ベースのフレームワークを用いた深層強化学習（DRL）アルゴリズムを採用。
• サービス品質、レイテンシー、リソース消費をバランスさせる報酬関数（F）を定義。ハイパーパrameterとしてα=0.01（学習率）とγ=0.8（割引率）を設定。
• 異なるタスク負荷でのパフォーマンス評価のため、マルチ解像度サービスモデル（高解像度：256 MB、中解像度：128 MB、低解像度：64 MB）を実装。
• 5 Mbps帯域幅で接続されたエッジノードを用いたテストプラットフォームを構築し、実世界の移行シナリオをシミュレート。応答時間と収束性を測定。
• ユーザー移動予測を活用して、ユーザー移動の前もってサービスを移行することで、中断とレイテンシーを最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 自己認識コンピューティングをエッジコンピューティングに効果的に統合することで、知能的で適応的なサービス管理を実現する方法は何か？
• RQ2 モバイルエッジ環境において、プロアクティブで行動予測型のサービス移行がネットワークレイテンシーとユーザー体験に与える影響は何か？
• RQ3 本提案のDRLベースの移行メカニズムは、反応型手法（例：最近接移行）と比較して、応答時間とジャイタ（jitter）の点でどの程度優れているか？
• RQ4 リアルタイムでのユーザー状態およびネットワーク状態に基づいて動的に認知サービスを割り当てることで、ECCアーキテクチャはより高いエネルギー効率とQoEを達成できるか？

主な発見

• 提案されたECCベースの手法は、十分な訓練エピソードを経て、深層強化学習プロセスにおいて安定した収束を示し、高解像度シナリオでは累積報酬（利便性）が約400に達した。
• 高解像度サービス配信が最高の報酬を達成しており、サービス品質およびユーザー満足度の観点から優れたパフォーマンスを示した。一方、低解像度サービスは最低の報酬を記録した。
• 提案されたDRLベースの移行手法は、平均応答時間が最も低く、最近接移行および移行なしの手法を上回った。特に高リクエスト負荷下で顕著な優位性を示した。
• ECCベースの手法では、ユーザー移動パターンからの継続的学習のおかげで、応答時間のジャイタが顕著に低減された。これに対して、反応型手法は高移動性下で不安定さを示した。
• 移行なしの手法は、最も長い応答時間と最高のレイテンシーを示し、リアルタイムサービスに向けた知能的移行の必要性を裏付けた。
• 結果から、行動認識に基づくプロアクティブなサービス移行が、サービスの中断を低減し、動的エッジ環境におけるリソース割り当ての最適化によりエネルギー効率を向上させることを示した。