[論文レビュー] AI-based Fog and Edge Computing: A Systematic Review, Taxonomy and Future Directions

Sundas Iftikhar, Sukhpal Singh Gill+16 more|arXiv (Cornell University)|Dec 9, 2022

IoT and Edge/Fog Computing被引用数 12

ひとこと要約

本系統的レビューでは、動的で多様性があり、遅延に敏感な環境を対象として、フォグおよびエッジコンピューティングにおけるAI/MLベースのリソース管理の包括的な分類法を提案する。強化学習、ディープラーニング、ハイブリッド手法を分析し、動的で多様性があり、遅延に敏感な環境への対応を図る。研究では、高い分散、説明可能性、オンライン学習の課題といった主な課題を特定し、スケーラブルで適応性のあるAI駆動のエッジシステムの今後の研究方向性を提示する。

ABSTRACT

Resource management in computing is a very challenging problem that involves making sequential decisions. Resource limitations, resource heterogeneity, dynamic and diverse nature of workload, and the unpredictability of fog/edge computing environments have made resource management even more challenging to be considered in the fog landscape. Recently Artificial Intelligence (AI) and Machine Learning (ML) based solutions are adopted to solve this problem. AI/ML methods with the capability to make sequential decisions like reinforcement learning seem most promising for these type of problems. But these algorithms come with their own challenges such as high variance, explainability, and online training. The continuously changing fog/edge environment dynamics require solutions that learn online, adopting changing computing environment. In this paper, we used standard review methodology to conduct this Systematic Literature Review (SLR) to analyze the role of AI/ML algorithms and the challenges in the applicability of these algorithms for resource management in fog/edge computing environments. Further, various machine learning, deep learning and reinforcement learning techniques for edge AI management have been discussed. Furthermore, we have presented the background and current status of AI/ML-based Fog/Edge Computing. Moreover, a taxonomy of AI/ML-based resource management techniques for fog/edge computing has been proposed and compared the existing techniques based on the proposed taxonomy. Finally, open challenges and promising future research directions have been identified and discussed in the area of AI/ML-based fog/edge computing.

研究の動機と目的

• 動的で多様性があり、遅延に敏感なフォグおよびエッジコンピューティング環境におけるリソース管理の課題の増大に対処すること。
• 特に強化学習を含むAI/ML技術の適用可能性と限界を、リアルタイムで適応可能なエッジリソース割り当ての文脈で分析すること。
• フォグ/エッジコンピューティングにおけるAI/MLベースのリソース管理手法の体系的分類法を構築し、今後の研究を導くこと。
• モデルの説明可能性、トレーニングにおける高い分散、進化するエッジ環境におけるオンライン学習の適応性といった、未解決の課題を特定すること。
• スケーラブルで効率的かつ説明可能なAI駆動のエッジコンピューティングシステムのための今後の研究方向性を提示すること。

提案手法

• PRISMA指針に従い、フォグ/エッジコンピューティングにおけるAI/MLに関する185件の関連研究を特定・分析するための系統的文献レビュー（SLR）を実施した。
• 学習パラダイム（教師あり、強化学習、ディープ強化学習）、応用分野、システムアーキテクチャを基準に、AI/MLベースのリソース管理手法の新しい分類法を提案した。
• 遅延、エネルギー効率、QoSといったパフォーマンス指標に基づき、シミュレーテッドおよび実世界の実験環境を用いて手法を評価した。
• IEEE Transactions on IoT、IEEE TCC、ACM Transactions on IoT を含む、AI/MLがフォグ/エッジコンピューティングで発表される主要な学術誌や会議を特定し、研究の地図をマッピングした。
• 動的タスクオフロードおよびリソース割り当てに向けた深層強化学習（DRL）の利用を分析し、DQN、Double DQN、グラフニューラルネットワーク（GNNs）を含む。
• 計算負荷、モデルドリフト、リアルタイムのエッジデプロイメントにおける解釈不能性といった、主な制約要因を同定した。

実験結果

リサーチクエスチョン

• RQ1 フォグおよびエッジコンピューティング環境におけるリソース管理に用いられる主要なAI/ML技術は何か？
• RQ2 特に強化学習を含む、異なるAI/MLパラダイムは、動的で多様性があり、遅延制約のあるワークロード下でどのように性能を発揮するか？
• RQ3 実世界のフォグ/エッジシステムにAI/MLモデルをデプロイする際の主な課題（説明可能性、トレーニングの分散、オンライン適応性）は何か？
• RQ4 既存のアプローチは、分散エッジ環境におけるスケーラビリティ、エネルギー効率、QoSをどのように対応しているか？
• RQ5 現在の文献のギャップに基づき、フォグおよびエッジコンピューティングにおけるAI/MLの今後の最も有望な研究方向性は何か？

主な発見

• 強化学習（RL）および深層強化学習（DRL）は、特にタスクオフロードと負荷分散を含む、動的で順次的な意思決定の分野において、最も有望なアプローチである。
• Deep Q-Networks（DQN）やDouble DQNといったDRLベースの手法は、評価されたエッジ環境において最大30％の遅延低減と25％のエネルギー効率向上を達成した。
• グラフニューラルネットワーク（GNNs）は、特に自動車ネットワークやIoTネットワークにおける分散エッジトポロジーの複雑な依存関係をモデル化する上で強力な可能性を示している。
• 高いパフォーマンスを発揮する一方で、DRLモデルは高い分散性と解釈不能性を抱えており、安全が求められる応用分野での実用的デプロイメントを制限している。
• 185件の研究のうち35件がIEEE Internet of Things Journalに集中しており、IoT統合型エッジAIシステムへの強い研究関心がうかがえる。
• 未解決の課題には、標準化されたベンチマークの欠如、動的環境におけるモデルドリフト、エッジデプロイメントにおける説明可能なAI（XAI）の不十分なサポートが含まれる。