[论文解读] Age of Processing: Age-driven Status Sampling and Processing Offloading for Edge Computing-enabled Real-time IoT Applications

Rui Li, Qian Ma+3 more|arXiv (Cornell University)|Mar 24, 2020

Age of Information Optimization参考文献 46被引用 8

一句话总结

本文提出了一种新的度量指标——处理时效性（Age-of-Processing, AoP），用于量化边缘计算支持的实时物联网应用中状态新鲜度，其中数据处理延迟会影响时效性。该文将状态采样频率与处理卸载的联合优化建模为一个带约束的马尔可夫决策过程（CMDP），通过拉格朗日松弛法与基于扰动的优化方法求解，并在仿真中实现相较于基准方案最高达30%的平均AoP降低。

ABSTRACT

The freshness of status information is of great importance for time-critical Internet of Things (IoT) applications. A metric measuring status freshness is the age-of-information (AoI), which captures the time elapsed from the status being generated at the source node (e.g., a sensor) to the latest status update.However, in intelligent IoT applications such as video surveillance, the status information is revealed after some computation intensive and time-consuming data processing operations, which would affect the status freshness. In this paper, we propose a novel metric, age-of-processing (AoP), to quantify such status freshness, which captures the time elapsed of the newest received processed status data since it is generated. Compared with AoI, AoP further takes the data processing time into account. Since an IoT device has limited computation and energy resource, the device can choose to offload the data processing to the nearby edge server under constrained status sampling frequency.We aim to minimize the average AoP in a long-term process by jointly optimizing the status sampling frequency and processing offloading policy. We formulate this online problem as an infinite-horizon constrained Markov decision process (CMDP) with average reward criterion. We then transform the CMDP problem into an unconstrained Markov decision process (MDP) by leveraging a Lagrangian method, and propose a Lagrangian transformation framework for the original CMDP problem. Furthermore, we integrate the framework with perturbation based refinement for achieving the optimal policy of the CMDP problem. Extensive numerical evaluations show that the proposed algorithm outperforms the benchmarks, with an average AoP reduction up to 30%.

研究动机与目标

• 为解决在计算密集型物联网应用中，因处理延迟导致时效性下降的问题。
• 提出一种新度量指标——处理时效性（AoP），以捕捉从数据生成到处理结果交付的端到端新鲜度。
• 在资源与时间约束下，联合优化状态采样频率与处理卸载决策。
• 在具有动态无线信道状态与可变计算需求的边缘计算环境中，最小化长期平均AoP。

提出的方法

• 将优化问题建模为无限时域带约束的马尔可夫决策过程（CMDP），采用平均奖励准则。
• 应用拉格朗日松弛技术，将带约束的CMDP转化为无约束的马尔可夫决策过程（MDP）。
• 基于动态规划原理，推导出松弛后MDP问题的最优策略。
• 引入基于扰动的优化方法，调整拉格朗日乘子，以恢复原始CMDP问题的最优策略。
• 采用仿真框架，在不同信道状态、计算需求与采样约束下评估性能。
• 使用三状态马尔可夫链对影响传输与处理时间的时变无线信道状态进行建模。

实验结果

研究问题

• RQ1 在状态更新中引入处理延迟，如何影响实时物联网系统中的端到端新鲜度？
• RQ2 在动态信道条件下，本地处理与边缘卸载之间的最优权衡是什么？
• RQ3 采样频率如何与处理卸载相互作用，进而影响处理时效性（AoP）？
• RQ4 拉格朗日松弛方法能否有效求解长期平均AoP最小化下的采样与卸载联合优化问题？
• RQ5 计算需求如何影响卸载策略在AoP指标下的性能表现？

主要发现

• 所提算法相较于始终卸载策略（AEZW）平均AoP降低最高达30%，相较于AECW降低20%，尤其在信道条件较差时表现更优。
• 最优策略实现约1460 ms的平均AoP，优于ALCW（1600 ms）及其他基准策略。
• 当传输时间超过700 ms时，所提算法的AoP增长速率低于始终卸载策略，因其在信道质量差时避免卸载。
• 在高计算需求下（如2.0 Gigacycles），所提算法趋近于始终卸载策略（AEZW），因处理时间主导了AoP。
• ALCW策略在计算需求增加时AoP显著升高，原因在于本地处理能力有限；而始终卸载策略因边缘服务器处理能力高，保持稳定。
• 当传输时间较低时，AEZW策略违反最小采样间隔约束（T_min = 1200 ms），表明其采样频率不理想。