[论文解读] Cooperative Negotiation in Autonomic Systems using Incremental Utility Elicitation

Craig Boutilier, Rajarshi Das+3 more|arXiv (Cornell University)|Oct 19, 2012

Optimization and Search Problems参考文献 10被引用 67

一句话总结

本文提出了一种用于自适应系统的协作协商框架，通过增量效用获取方法，在数据中心等大规模环境中高效解决资源冲突。通过仅采样效用函数的少量点，该方法在最小最大遗憾准则下实现近似最优分配，与完整效用函数预计算相比显著降低了计算开销。

ABSTRACT

Decentralized resource allocation is a key problem for large-scale autonomic (or self-managing) computing systems. Motivated by a data center scenario, we explore efficient techniques for resolving resource conflicts via cooperative negotiation. Rather than computing in advance the functional dependence of each element's utility upon the amount of resource it receives, which could be prohibitively expensive, each element's utility is elicited incrementally. Such incremental utility elicitation strategies require the evaluation of only a small set of sampled utility function points, yet they find near-optimal allocations with respect to a minimax regret criterion. We describe preliminary computational experiments that illustrate the benefit of our approach.

研究动机与目标

• 解决大规模自适应计算系统（特别是在数据中心环境中）中的去中心化资源分配挑战。
• 克服为每个系统组件预计算完整效用函数所带来的高昂成本。
• 开发一种可扩展的协商机制，实现在无需预先掌握完整效用信息的情况下进行协作决策。
• 通过聚焦于协商过程中效用值的增量获取，最小化资源分配的遗憾。
• 通过战略性地采样效用函数点，以最小的通信和计算开销实现近似最优分配。

提出的方法

• 采用增量效用获取方法，动态采样每个系统组件的少量效用函数点。
• 以最小最大遗憾准则作为优化目标，确保在效用函数不确定性下的鲁棒性。
• 实施一种协作协商协议，各代理在迭代过程中交换效用信息，并根据采样数据调整分配。
• 利用博弈论模型协调代理，实现无需集中控制的互利分配。
• 应用采样策略，优先选择对分配决策影响最大的效用函数点。
• 将部分效用评估的反馈整合到迭代协商轮次中，以收敛至近似最优解。

实验结果

研究问题

• RQ1 当完整效用函数的计算成本过高时，如何使自适应系统中的资源分配实现可扩展性？
• RQ2 何种协商策略可在仅使用最少效用信息的前提下实现协作结果，同时保持近似最优性？
• RQ3 在去中心化系统中，增量效用获取在多大程度上可降低计算和通信开销？
• RQ4 最小最大遗憾准则如何在效用知识不完整的情况下提升鲁棒性？
• RQ5 何种采样策略能在最少效用评估次数下最大化分配决策的质量？

主要发现

• 增量效用获取方法在计算成本显著低于完整效用函数计算的前提下，实现了近似最优分配。
• 仅需采样少量效用函数点，即可达到与最优解差距极小的遗憾范围内的分配结果。
• 该方法在大规模系统（如数据中心）中表现出强大的可扩展性，其中集中协调不切实际。
• 计算实验表明，该协商协议收敛迅速，并在不确定性条件下仍保持高效率。
• 最小最大遗憾准则确保了在各种效用函数形态和不完整信息场景下的鲁棒性能。
• 与依赖完整或启发式效用函数假设的基线方法相比，该方法在效率和解质量方面均表现更优。