[论文解读] EdgeAISim: A Toolkit for Simulation and Modelling of AI Models in Edge Computing Environments

Aadharsh Roshan Nandhakumar, Ayush Baranwal+3 more|arXiv (Cornell University)|Oct 9, 2023

IoT and Edge/Fog Computing参考文献 36被引用 5

一句话总结

EdgeAISim 是一个轻量级的 Python 工具包，扩展了 EdgeSimPy，以支持在边缘计算中对人工智能驱动的资源管理进行仿真与建模。通过集成深度 Q 网络（DQN）和多臂赌博机等强化学习模型，其功耗相比最差适应基线策略最高降低 42%，在边缘环境中显著提升了能效。

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.

研究动机与目标

• 解决缺乏支持边缘计算中基于人工智能的资源管理仿真工具的问题。
• 使研究人员能够高效设计并评估新型人工智能驱动的策略，用于任务调度、能效管理和服务迁移。
• 通过先进的强化学习技术降低边缘环境中的功耗。
• 提供一个模块化、开源的框架，扩展 EdgeSimPy 以支持原生人工智能仿真能力。
• 为大规模物联网和 6G 支持的应用提供可持续、能效高效的边缘计算支持。

提出的方法

• 扩展 EdgeSimPy 框架，集成面向任务调度、能效管理、服务迁移和网络流量调度的 AI 感知组件。
• 集成多种强化学习算法：带上限置信区间（UCB）的多臂赌博机（MAB）、深度 Q 网络（DQN）、图神经网络增强的 DQN（GNN-DQN）以及策略-评论家网络。
• 对具有异构计算与能效约束的边缘设备进行建模，模拟动态工作负载和移动性。
• 采用模块化架构，将 AI 策略学习与系统仿真解耦，支持新强化学习智能体的即插即用集成。
• 设计一种奖励函数，平衡任务完成时间、能耗和迁移开销，以指导策略优化。
• 在多种边缘计算场景和工作负载下，与最差适应基线策略对比验证性能。

实验结果

研究问题

• RQ1 基于人工智能的资源管理策略是否能在边缘计算环境中显著降低功耗？
• RQ2 不同强化学习算法在优化边缘系统中的任务调度与能效方面表现如何比较？
• RQ3 与传统启发式策略相比，基于人工智能的模型在提升资源利用率和任务迁移效率方面能达到何种程度？
• RQ4 EdgeAISim 框架在异构边缘设备配置和动态工作负载下的可扩展性与适应性如何？
• RQ5 将图神经网络（GNN）与 DQN 结合是否能增强网络感知型边缘任务调度中的决策能力？

主要发现

• 在多个仿真场景中，EdgeAISim 相比最差适应基线策略，平均功耗最高降低 42%。
• 策略-评论家网络和 GNN-DQN 模型在平衡能效与任务完成延迟方面优于标准 DQN 和 UCB 模型。
• 将 AI 模型集成到仿真流程中，可实现对工作负载变化和设备异构性的动态适应。
• 该工具包成功支持实时策略评估，并可快速实现新型人工智能驱动资源管理策略的原型开发。
• EdgeAISim 展现出强大的可扩展性与模块化特性，支持包括移动边缘计算和物联网工作负载在内的多样化边缘用例。
• EdgeAISim 的开源发布确保了可复现性，并促进了社区驱动的扩展与验证。