[논문 리뷰] Learning-Based Task Offloading for Vehicular Cloud Computing Systems

Yuxuan Sun, Xueying Guo외 4명|arXiv (Cornell University)|2018. 04. 03.

IoT and Edge/Fog Computing참고 문헌 16인용 수 8

한 줄 요약

이 논문은 차량 클라우드 컴퓨팅(VCC) 시스템에서 학습 기반 작업 오픈로딩을 위한 적응형 비가역 상한 신뢰도(ADUCB) 알고리즘을 제안한다. 다중 손잡이 밴딧(MAB) 프레임워크에 부하 인식 및 발생 빈도 인식을 통합함으로써, AVUCB는 이론적 손실 경계를 보장하는 분산형, 저비용 학습을 통해 작업 차량이 오픈로딩 지연을 최소화할 수 있도록 한다. 이는 동적인 고속도로 환경에서 거의 최적의 성능을 달성한다.

ABSTRACT

Vehicular cloud computing (VCC) is proposed to effectively utilize and share the computing and storage resources on vehicles. However, due to the mobility of vehicles, the network topology, the wireless channel states and the available computing resources vary rapidly and are difficult to predict. In this work, we develop a learning-based task offloading framework using the multi-armed bandit (MAB) theory, which enables vehicles to learn the potential task offloading performance of its neighboring vehicles with excessive computing resources, namely service vehicles (SeVs), and minimizes the average offloading delay. We propose an adaptive volatile upper confidence bound (AVUCB) algorithm and augment it with load-awareness and occurrence-awareness, by redesigning the utility function of the classic MAB algorithms. The proposed AVUCB algorithm can effectively adapt to the dynamic vehicular environment, balance the tradeoff between exploration and exploitation in the learning process, and converge fast to the optimal SeV with theoretical performance guarantee. Simulations under both synthetic scenario and a realistic highway scenario are carried out, showing that the proposed algorithm achieves close-to-optimal delay performance.

연구 동기 및 목표

• 차량 클라우드 컴퓨팅(VCC) 환경에서 네트워크 토폴로지, 채널 상태 및 계산 자원이 빠르고 예측 불가능하게 변하는 높은 동적성을 해결하기 위함.
• 중앙 집중식 조율 또는 광범위한 신호 전송 오버헤드 없이도 VCC에서 평균 작업 오픈로딩 지연을 최소화하기 위함.
• 이전 지연 관측값 기반의 분산 학습을 통해 작업 차량이 최적의 서비스 차량(SeV) 선택을 학습할 수 있도록 하기 위함.
• 시간에 따라 변하는 불확실한 차량 환경에서 탐색과 이용의 균형을 효과적으로 유지할 수 있는 학습 알고리즘 설계하기 위함.
• 제안된 알고리즘의 학습 손실에 대한 이론적 성능 보장을 제공하기 위함.

제안 방법

• 저자들은 작업 차량이 SeV를 선택하는 의사결정 과정을 모델링하기 위해 다중 손잡이 밴딧(MAB) 이론을 기반으로 한 학습 기반 작업 오픈로딩 프레임워크를 개발한다.
• 클래식한 MAB 유틸리티 함수에 부하 인식 및 발생 빈도 인식 성분을 추가한 적응형 비가역 상한 신뢰도(AVUCB) 알고리즘을 제안한다.
• 유틸리티 함수는 각 SeV의 정규화된 입력 데이터 크기와 발생 시간을 반영하여 동적 부하 및 가용성을 반영한다.
• 알고리즘은 과거 오픈로딩 시도 횟수와 시간에 따라 변하는 채널 및 부하 조건에 기반한 신뢰구간 항목을 사용하여 탐색과 이용의 균형을 조절한다.
• 이론적 분석을 통해 학습 손실이 상한선을 갖는다는 것을 증명함으로써, 높은 확률로 최적의 SeV로 수렴함을 보장한다.
• 프레임워크는 분산 방식으로 작동하며, 과거 지연 피드백만 필요로 하며 실시간 차량 상태 정보 교환은 필요로 하지 않는다.

실험 결과

연구 질문

• RQ1 높은 동적성을 띤 VCC 환경에서 신호 전송 오버헤드를 최소화하면서 어떻게 분산 방식의 작업 오픈로딩 결정을 내릴 수 있는가?
• RQ2 SeV 성능에 대한 사전 지식 없이도 다중 손잡이 밴딧 기반 학습 접근법이 VCC에서 오픈로딩 지연을 얼마나 줄일 수 있는가?
• RQ3 부하 변동성과 SeV의 시간적 발생 빈도를 학습 유틸리티 함수에 효과적으로 모델링하여 의사결정 정확도를 향상시킬 수 있는가?
• RQ4 시간에 따라 변하는 차량 네트워크에서 밴딧 기반 오픈로딩 알고리즘에 대해 어떤 이론적 성능 보장을 제공할 수 있는가?
• RQ5 제안된 AVUCB 알고리즘은 기존 오픈로딩 전략과 비교해 지연과 수렴 속도 측면에서 어떻게 성능을 냅니다?

주요 결과

• AVUCB 알고리즘은 합성적이고 현실적인 고속도로 시나리오 모두에서 거의 최적의 오픈로딩 지연 성능을 달성하며, 기준 알고리즘들을 능가한다.
• 유틸리티 함수에 부하 인식 및 발생 빈도 인식을 통합함으로써, 표준 MAB 접근법 대비 학습 효율성 향상과 지연 감소가著 증가한다.
• 동적 부하 및 SeV 가용성 요소를 반영한 적응형 신뢰구간 메커니즋试로 인해 알고리즘이 최적의 SeV로 신속히 수렴한다.
• 이론적 분석을 통해 학습 손실이 상한선을 갖는다는 것이 확인되어, 시간이 지남에 따라 안정적이고 예측 가능한 성능을 보장한다.
• 분산 설계 덕분에 낮은 신호 전송 오버헤드를 유지하여, 대규모 고속 이동 차량 네트워크에 적합하다.
• 시뮬레이션 결과, SeV 가용성과 네트워크 조건이 급격히 변동하더라도 AVUCB는 낮은 지연을 유지함을 보였다.