[论文解读] Adaptive Learning-Based Task Offloading for Vehicular Edge Computing Systems

Yuxuan Sun, Xueying Guo+5 more|arXiv (Cornell University)|Jan 16, 2019

IoT and Edge/Fog Computing参考文献 28被引用 10

一句话总结

本文提出了一种用于车辆边缘计算（VEC）系统的自适应学习型任务卸载（ALTO）算法，利用多臂赌博机（MAB）理论，在动态、不确定的环境中最小化卸载延迟。ALTO 实现了分布式、低复杂度的决策，具备输入感知和出现感知能力，可适应随时间变化的工作负载和不断变化的服务车辆（SeV）可用性，与基于 UCB 的方法相比，平均延迟降低高达 30%。

ABSTRACT

The vehicular edge computing (VEC) system integrates the computing resources of vehicles, and provides computing services for other vehicles and pedestrians with task offloading. However, the vehicular task offloading environment is dynamic and uncertain, with fast varying network topologies, wireless channel states and computing workloads. These uncertainties bring extra challenges to task offloading. In this work, we consider the task offloading among vehicles, and propose a solution that enables vehicles to learn the offloading delay performance of their neighboring vehicles while offloading computation tasks. We design an adaptive learning-based task offloading (ALTO) algorithm based on the multi-armed bandit (MAB) theory, in order to minimize the average offloading delay. ALTO works in a distributed manner without requiring frequent state exchange, and is augmented with input-awareness and occurrence-awareness to adapt to the dynamic environment. The proposed algorithm is proved to have a sublinear learning regret. Extensive simulations are carried out under both synthetic scenario and realistic highway scenario, and results illustrate that the proposed algorithm achieves low delay performance, and decreases the average delay up to 30% compared with the existing upper confidence bound based learning algorithm.

研究动机与目标

• 为解决车辆边缘计算（VEC）系统中网络拓扑、信道状态和工作负载快速变化所带来的动态且不确定的任务卸载挑战。
• 使任务车辆（TaVs）能够在不了解服务车辆（SeV）性能先验知识的情况下，实时学习最优卸载决策。
• 以分布式方式最小化平均卸载延迟，避免频繁交换诸如信道质量或工作负载等状态信息。
• 设计一种自适应学习框架，考虑变化的任务工作负载和动态出现的服务车辆，提升真实 VEC 场景中的学习效率。

提出的方法

• ALTO 算法基于多臂赌博机（MAB）理论，将每个潜在的 SeV 视为一个臂，以平衡探索与利用。
• 通过根据任务工作负载大小调整探索权重引入输入感知，通过适应新 SeV 的出现时间实现出现感知。
• 效用函数结合了随对数探索项缩放的置信区间，并由工作负载和 SeV 可用性因子调制。
• 该算法采用次线性学习遗憾界，确保在环境动态变化的情况下，随时间推移仍能收敛至最优卸载决策。
• 理论分析证明，ALTO 实现了次线性遗憾，保证了在延迟最小化方面的渐近最优性。
• 通过 Veins 仿真器在合成场景和真实高速公路场景中进行了仿真，以验证性能。

实验结果

研究问题

• RQ1 在快速变化的网络和工作负载条件下的动态 VEC 环境中，如何优化任务卸载决策？
• RQ2 基于学习的方法是否可以在无需集中协调或频繁状态交换的情况下降低卸载延迟？
• RQ3 当可用服务车辆集合和任务工作负载随时间变化时，如何有效管理探索与利用之间的权衡？
• RQ4 在基于 MAB 的学习框架中引入输入感知和出现感知，能带来多大的性能提升？

主要发现

• 在合成场景和真实高速公路场景中，ALTO 算法相较于传统的基于上界置信区间（UCB）的学习算法，平均卸载延迟降低高达 30%。
• 该算法实现了次线性学习遗憾，证明其在环境不确定性存在的情况下，仍能渐近收敛至最优卸载策略。
• 输入感知和出现感知显著提升了学习效率，通过根据任务大小和 SeV 可用性动态调整探索策略。
• 在 Veins 仿真器中进行的大量仿真结果表明，ALTO 在真实车辆移动性和工作负载变化下仍能保持低延迟性能。
• 理论分析表明，即使新 SeV 在不同时间出现且任务工作负载随时间变化，该算法依然有效。