[논문 리뷰] Intelligent Task Offloading for Heterogeneous V2X Communications

Kai Xiong, Supeng Leng외 3명|arXiv (Cornell University)|2020. 06. 29.

Vehicular Ad Hoc Networks (VANETs)참고 문헌 26인용 수 5

한 줄 요약

이 논문은 DSRC, C-V2X 및 mmWave 통신을 사용하여 이질적 V2X 네트워크에서 오프로딩 실패 확률과 자원 비용을 최소화하는 지능형 작업 오프로딩 프레임워크를 제안한다. 스토하스틱 네트워크 계산을 통해 지연 상한을 유도하고, 피어드 퀀텀 강화학습 알고리즘을 적용함으로써, 다양한 접근 기술 간의 오프로딩 결정을 최적화한다. 이는 동적 교통 조건 하에서 기존 방법에 비해 신뢰성과 효율성 면에서 뚜렷한 성능 향상을 보인다.

ABSTRACT

With the rapid development of autonomous driving technologies, it becomes difficult to reconcile the conflict between ever-increasing demands for high process rate in the intelligent automotive tasks and resource-constrained on-board processors. Fortunately, vehicular edge computing (VEC) has been proposed to meet the pressing resource demands. Due to the delay-sensitive traits of automotive tasks, only a heterogeneous vehicular network with multiple access technologies may be able to handle these demanding challenges. In this paper, we propose an intelligent task offloading framework in heterogeneous vehicular networks with three Vehicle-to-Everything (V2X) communication technologies, namely Dedicated Short Range Communication (DSRC), cellular-based V2X (C-V2X) communication, and millimeter wave (mmWave) communication. Based on stochastic network calculus, this paper firstly derives the delay upper bound of different offloading technologies with a certain failure probability. Moreover, we propose a federated Q-learning method that optimally utilizes the available resources to minimize the communication/computing budgets and the offloading failure probabilities. Simulation results indicate that our proposed algorithm can significantly outperform the existing algorithms in terms of offloading failure probability and resource cost.

연구 동기 및 목표

• 자원 제약이 있는 차량용 엣지 컴퓨팅(V2X) 환경에서 신뢰할 수 없는 작업 오프로딩 문제를 해결한다.
• 기존 연구가 통신 자원이 충분하다는 가정을 하고 있으며, 최적화 과정에서 실패 확률을 忽略한다는 한계를 극복한다.
• 이질적 V2X 네트워크에서 오프로딩 실패 확률과 통신/계산 자원 비용의 병합된 비용을 최소화한다.
• 변동하는 교통 부하와 버스트성 조건 하에서도 자율 주행 차량을 위한 신뢰성 있고 저지연 오프로딩을 가능하게 한다.

제안 방법

• DSRC, C-V2X 및 mmWave 기술 간의 실패 확률를 고려하여, 스토하스틱 네트워크 계산을 활용해 오프로딩 지연의 폐쇄형 상한을 유도한다.
• 통신 비용, 계산 비용 및 오프로딩 실패 확률을 동시에 최소화하는 최적화 모델을 수립한다.
• 각 차량 간의 원시 데이터 공유 없이도 국소 오프로딩 지식을 공유할 수 있도록 분산형·개인정보 보호형 강화학습 알고리즘을 제안한다.
• Q-학습 프레임워크에 상한을 제약 조건으로 통합하여, 저지연·고신뢰성 오프로딩을 향한 의사결정을 유도한다.
• 각 차량이 국소 관측치를 기반으로 최적의 오프로딩 전략을 학습하고, 글로벌 모델 집계를 통해 분산 학습을 수행하는 다중 에이전트 학습 아키텍처를 구현한다.
• 작업 도착률(λ)과 버스트성(o)과 같은 동적 교통 파라미터를 학습 및 지연 분석 프레임워크에 통합한다.

실험 결과

연구 질문

• RQ1 주어진 실패 확률 하에서 이질적 V2X 기술에 대해 오프로딩 지연 상한을 분석적으로 유도할 수 있는가?
• RQ2 이질적 V2X 환경에서 오프로딩 실패 확률과 자원 비용 간의 최적 트레이드오프는 무엇인가?
• RQ3 원시 데이터를 차량 간에 공유하지 않고도 탈중앙화된 학습을 어떻게 활용해 오프로딩 결정을 최적화할 수 있는가?
• RQ4 고도의 도착률이나 버스트성과 같은 다양한 교통 조건 하에서 DSRC, C-V2X, mmWave 중 어느 V2X 기술이 가장 우수한 성능을 보이는가?
• RQ5 중앙집중형 또는 게으른 접근 방식에 비해 피어드 Q-학습이 실패 확률과 자원 비용을 효과적으로 감소시킬 수 있는가?

주요 결과

• 제안된 피어드 Q-학습 알고리즘이 그레디(Greedy) 및 릴랙세이션(Relaxation) 알고리즘에 비해 훨씬 낮은 오프로딩 실패 확률과 자원 비용을 달성한다.
• 경량 교통 부하 조건에서는 C-V2X와 RmmWave 오프로딩 조합이 가장 우수한 성능을 보이며, 고강도 교통 조건에서는 C-V2X와 DSRC 조합이 뛰어난 성능을 나타낸다.
• 작업 도착률이 500 Mbps를 초과하면 국소 처리 지연이 급격히 증가하므로, 지연을 줄이기 위해 오프로딩이 필수적임을 시사한다.
• mmWave 오프로딩은 버스트성이 높은 트래픽에 적합하지 않으며, 지연 상한이 급격히 증가하기 때문이다.
• 지연에 관용 가능한 작업은 C-V2V(또는 RmmW) 오프로딩을 사용할 경우 가장 낮은 실패 확률을 기록하여, 이러한 워크로드에 최적의 선택임을 입증한다.
• 지연 요구 사항이 증가할수록 실패 확률은 감소하며, mmWave는 이 감소 속도가 가장 느려 지연에 관용 가능한 응용 분야에 있어 떨어지는 신뢰성을 보여준다.