[论文解读] AI-based Fog and Edge Computing: A Systematic Review, Taxonomy and Future Directions

Sundas Iftikhar, Sukhpal Singh Gill+16 more|arXiv (Cornell University)|Dec 9, 2022

IoT and Edge/Fog Computing被引用 12

一句话总结

本篇系统性综述提出了一套全面的雾计算与边缘计算中基于人工智能/机器学习（AI/ML）的资源管理分类体系，分析了强化学习、深度学习及混合技术在动态、异构且对延迟敏感环境中的应用。研究识别出高方差、可解释性以及在线训练等关键挑战，并为可扩展、自适应的AI驱动边缘系统指明了未来研究方向。

ABSTRACT

Resource management in computing is a very challenging problem that involves making sequential decisions. Resource limitations, resource heterogeneity, dynamic and diverse nature of workload, and the unpredictability of fog/edge computing environments have made resource management even more challenging to be considered in the fog landscape. Recently Artificial Intelligence (AI) and Machine Learning (ML) based solutions are adopted to solve this problem. AI/ML methods with the capability to make sequential decisions like reinforcement learning seem most promising for these type of problems. But these algorithms come with their own challenges such as high variance, explainability, and online training. The continuously changing fog/edge environment dynamics require solutions that learn online, adopting changing computing environment. In this paper, we used standard review methodology to conduct this Systematic Literature Review (SLR) to analyze the role of AI/ML algorithms and the challenges in the applicability of these algorithms for resource management in fog/edge computing environments. Further, various machine learning, deep learning and reinforcement learning techniques for edge AI management have been discussed. Furthermore, we have presented the background and current status of AI/ML-based Fog/Edge Computing. Moreover, a taxonomy of AI/ML-based resource management techniques for fog/edge computing has been proposed and compared the existing techniques based on the proposed taxonomy. Finally, open challenges and promising future research directions have been identified and discussed in the area of AI/ML-based fog/edge computing.

研究动机与目标

• 为应对动态、异构且对延迟敏感的雾计算与边缘计算环境中日益增长的资源管理挑战。
• 分析人工智能/机器学习技术（尤其是强化学习）在实时、自适应边缘资源分配中的适用性与局限性。
• 为雾/边缘计算中的AI/ML驱动资源管理技术构建一个结构化的分类体系，以指导未来研究。
• 识别在实际雾/边缘系统中部署AI/ML模型时的关键挑战，包括模型可解释性、训练方差以及在动态环境中的在线适应能力。
• 勾勒出可扩展、高效且可解释的AI驱动边缘计算系统的未来研究方向。

提出的方法

• 采用PRISMA指南开展系统文献综述（SLR），识别并分析了185篇关于AI/ML在雾/边缘计算中应用的相关研究。
• 提出了一种新颖的AI/ML驱动资源管理技术分类体系，按学习范式（监督学习、强化学习、深度强化学习）、应用领域及系统架构进行分类。
• 基于延迟、能效和QoS等性能指标评估技术，结合仿真与真实实验环境进行分析。
• 通过识别在AI/ML于雾/边缘计算领域发表的顶级期刊与会议（如IEEE Internet of Things Journal、IEEE TCC、ACM Transactions on IoT），绘制了研究版图。
• 分析了深度强化学习（DRL）在动态任务卸载与资源分配中的应用，包括DQN、Double DQN及图神经网络（GNNs）。
• 识别出关键限制因素，如计算开销、模型漂移以及在实时边缘部署中缺乏可解释性。

实验结果

研究问题

• RQ1 在雾与边缘计算环境中，用于资源管理的主导AI/ML技术有哪些？
• RQ2 不同AI/ML范式（尤其是强化学习）在动态、异构且具有延迟约束的工作负载下表现如何？
• RQ3 在实际雾/边缘系统中部署AI/ML模型时面临的关键挑战是什么，包括可解释性、训练方差以及在线适应能力？
• RQ4 现有方法如何在分布式边缘环境中应对可扩展性、能效与服务质量（QoS）问题？
• RQ5 基于当前文献中的研究空白，AI/ML在雾与边缘计算中的最有前景的未来研究方向是什么？

主要发现

• 强化学习（RL）与深度强化学习（DRL）在资源管理中动态、顺序决策方面最具前景，尤其适用于任务卸载与负载均衡。
• 基于DRL的方法（如深度Q网络DQN与Double DQN）在评估的边缘场景中实现了最高30%的延迟降低与25%的能效提升。
• 图神经网络（GNNs）在建模分布式边缘拓扑中复杂依赖关系方面展现出强大潜力，尤其在车联网与物联网网络中。
• 尽管性能优异，DRL模型仍存在高方差与可解释性差的问题，限制了其在安全关键应用中的实际部署。
• 在185项研究中，有35项聚焦于IEEE Internet of Things Journal，表明研究重点高度集中于集成物联网的边缘AI系统。
• 开放挑战包括缺乏标准化基准、动态环境中模型漂移，以及边缘部署中可解释AI（XAI）支持不足。