[논문 리뷰] Joint Sampling and Transmission Policies for Minimizing Cost under AoI Constraints

Emmanouil Fountoulakis, Marian Codreanu외 2명|arXiv (Cornell University)|2021. 03. 29.

Age of Information Optimization인용 수 11

한 줄 요약

이 논문은 무선 네트워크에서 평균 정보 갱신도(AoI) 제약 조건 하에 총 비용(샘플링 비용과 전송 비용 포함)을 최소화하기 위해 동시 샘플링 및 전송 정책을 제안한다. 리아풀로프 최적화와 이산 시간 마르코프 체인을 사용하여 동적 정책과 두 가지 정적 랜덤 정책을 도입하였으며, 샘플링 비용이 높을 경우 오래된 그러나 썩지 않은 패킷을 재전송하는 것이 비용을 크게 감소시킬 수 있음을 보여준다.

ABSTRACT

In this work, we consider the problem of jointly minimizing the average cost of sampling and transmitting status updates by users over a wireless channel subject to average Age of Information (AoI) constraints. Errors in the transmission may occur and a scheduling policy has to decide if the users sample a new packet or attempt for retransmission of the packet sampled previously. The cost consists of both sampling and transmission costs. The sampling of a new packet after a failure imposes an additional cost on the system. We formulate a stochastic optimization problem with the average cost in the objective under average AoI constraints. To solve this problem, we propose three scheduling policies; a) a dynamic policy, that is centralized and requires full knowledge of the state of the system, b) two stationary randomized policies that require no knowledge of the state of the system. We utilize tools from Lyapunov optimization theory in order to provide the dynamic policy, and we prove that its solution is arbitrary close to the optimal one. In order to provide the randomized policies, we model the system by utilizing Discrete Time Markov Chain (DTMC). We provide closed-form and approximated expressions for the average AoI and its distribution, for each randomized policy. Simulation results show the importance of providing the option to transmit an old packet in order to minimize the total average cost.

연구 동기 및 목표

• 에너지 제약이 있는 장치를 갖춘 무선 네트워크에서 총 통신 비용과 데이터 신선도 간의 트레이드오프를 다루기.
• 평균 AoI 제약 조건 하에 평균 비용을 최소화하는 스토케스틱 최적화 문제를 수립하기.
• 시스템 비용을 감소시키기 위해 샘플링, 전송, 재전송 결정을 균형 잡는 스케줄링 정책 설계하기.
• 샘플링 비용이 전송 비용 대비 상대적으로 높을 경우 시스템 성능에 미치는 영향 조사하기.
• 동적 환경에서 실용적인 구현을 위해 저복잡도, 상태에 의존하지 않는 랜덤 정책 제공하기.

제안 방법

• 목표 함수에 평균 비용을, 제약 조건으로 평균 AoI를 포함하는 스토케스틱 최적화 문제 수립하기.
• 리아풀로프 최적화 이론을 적용하여 전체 시스템 상태 지식에 기반한 슬롯 단위 결정을 내리는 동적 스케줄링 정책 유도하기.
• 이산 시간 마르코프 체인(DTMC)을 사용해 AoI의 변화를 모델링하여 정적 랜덤 정책의 성능 분석하기.
• 시스템 상태에 영향을 받지 않는 고정된 전송 확률을 갖는 두 가지 랜덤 정책을 제안하여 저복잡도 구현 가능하게 하기.
• 비용 최소화와 제약 조건 이행을 균형 잡기 위해 드리프트-플러스-펜alty 최적화 기법 사용하기, 가상 큐의 평균 속도 안정성 보장하기.
• 수학적 부등식과 조건부 기대값을 활용해 비용 및 AoI 성능에 대한 분석적 경계 유도하기.

실험 결과

연구 질문

• RQ1 어떤 조건에서 새로운 패킷을 샘플링하는 것보다 오래된 패킷을 재전송하는 것이 더 비용 효율적인가?
• RQ2 샘플링 비용과 전송 비용의 상대적 비용이 최적의 스케줄링 정책에 미치는 영향은 무엇인가?
• RQ3 상태에 의존하지 않는 랜덤 정책이 AoI 제약 조건 하에 근사 최적의 비용 성능을 달성할 수 있는가?
• RQ4 총 비용 최소화와 필요한 데이터 신선도(AoI) 유지 사이의 트레이드오프는 무엇인가?
• RQ5 기존의 원하는 대로 생성하거나 재전송 전용 전략에 비해 제안된 정책의 성능 및 복잡도는 어떻게 비교되는가?

주요 결과

• 샘플링 비용이 전송 비용을 초과할 경우 오래되었지만 썩지 않은 패킷을 재전송하는 것이 총 평균 비용을 크게 감소시킨다.
• 전체 시스템 상태 지식에 기반한 동적 정책은 샘플링과 재전송 결정의 균형을 맞춰 최적의 비용 성능를 달성한다.
• 두 가지 정적 랜덤 정책은 최소한의 복잡도로 근사 최적의 비용 성능를 달성하며, 상태 정보가 필요하지 않다.
• 시뮬레이션 결과는 샘플링 비용이 전송 비용에 비해 높을 경우 재전송으로 인한 비용 절감 효과가 가장 두드러진다.
• 리아풀로프 최적화를 활용한 이론적 분석은 제안된 정책이 평균 AoI 제약 조건을 충족하면서 비용을 최소화함을 증명한다.
• 드리프트-플러스-펜alty 프레임워크는 가상 큐의 평균 속도 안정성을 보장하여 제약 조건 이행을 기대값 기반으로 보장한다.