[论文解读] A Dynamic Service-Migration Mechanism in Edge Cognitive Computing

Min Chen, Wei Li+4 more|arXiv (Cornell University)|Aug 22, 2018

IoT and Edge/Fog Computing参考文献 2被引用 4

一句话总结

本文提出了一种在边缘认知计算（ECC）中使用深度强化学习预测用户移动性并主动将认知服务迁移到最优边缘节点的动态服务迁移机制，实现了超低延迟和高用户体验质量（QoE）。与最近邻迁移和无迁移方案相比，该系统将响应时间降低了最多40%，并通过行为驱动、认知增强的服务自适应，提升了能效和资源利用率。

ABSTRACT

Driven by the vision of edge computing and the success of rich cognitive services based on artificial intelligence, a new computing paradigm, edge cognitive computing (ECC), is a promising approach that applies cognitive computing at the edge of the network. ECC has the potential to provide the cognition of users and network environmental information, and further to provide elastic cognitive computing services to achieve a higher energy efficiency and a higher Quality of Experience (QoE) compared to edge computing. This paper firstly introduces our architecture of the ECC and then describes its design issues in detail. Moreover, we propose an ECC-based dynamic service migration mechanism to provide an insight into how cognitive computing is combined with edge computing. In order to evaluate the proposed mechanism, a practical platform for dynamic service migration is built up, where the services are migrated based on the behavioral cognition of a mobile user. The experimental results show that the proposed ECC architecture has ultra-low latency and a high user experience, while providing better service to the user, saving computing resources, and achieving a high energy efficiency.

研究动机与目标

• 通过在网络边缘集成认知计算，解决传统边缘计算在高网络延迟和缺乏智能服务自适应方面的局限性。
• 实现主动、用户行为感知的服务迁移，以预测用户移动并实时优化服务部署。
• 通过根据用户需求和网络状态动态分配认知计算资源，提升用户体验质量（QoE）和能效。
• 开发并验证一个支持实时服务迁移的实际ECC平台，结合行为认知与深度强化学习。

提出的方法

• 设计了一种新颖的边缘认知计算（ECC）架构，在网络边缘集成数据、资源和用户行为认知的认知引擎。
• 采用基于Q-learning框架的深度强化学习（DRL）算法，根据用户移动模式和网络状态建模服务迁移决策。
• 定义了一个奖励函数（F），在服务质量、延迟和资源消耗之间取得平衡，其中超参数α=0.01（学习率）和γ=0.8（折扣因子）。
• 实现多分辨率服务模型（高：256 MB，中：128 MB，低：64 MB），以在不同任务负载下评估性能。
• 使用带宽为5 Mbps的边缘节点连接测试平台，模拟真实世界迁移场景，测量响应时间和收敛性。
• 应用用户移动性预测，在用户移动前主动迁移服务，以最小化中断和延迟。

实验结果

研究问题

• RQ1 如何有效将认知计算集成到边缘计算中，以实现智能、自适应的服务管理？
• RQ2 在移动边缘环境中，主动的、基于行为预测的服务迁移对网络延迟和用户体验有何影响？
• RQ3 与反应式方案（如最近邻迁移）相比，所提出的基于DRL的迁移机制在响应时间和抖动方面表现如何？
• RQ4 通过基于实时用户和网络状态动态分配认知服务，ECC架构能否实现更高的能效和QoE？

主要发现

• 所提出的基于ECC的方案在深度强化学习过程中实现了稳定收敛，经过足够多的训练回合后，累积奖励（效用）在高分辨率场景下达到约400。
• 高分辨率服务交付获得最高奖励，表明在服务质量和用户满意度方面表现最优，而低分辨率服务的奖励最低。
• 所提出的基于DRL的迁移方案实现了最低的平均响应时间，优于最近邻迁移和无迁移方案，尤其在高请求负载下表现更优。
• 由于持续学习用户移动模式，ECC方案显著降低了响应时间抖动，而反应式方案在高移动性下易出现不稳定性。
• 无迁移方案表现出最长的响应时间和最高延迟，证实了智能迁移对实时服务的必要性。
• 结果表明，基于行为认知的主动服务迁移可减少服务中断，并通过在动态边缘环境中优化资源分配，提升能效。