[论文解读] HiveMind: A Scalable and Serverless Coordination Control Platform for UAV Swarms

Justin Hu, Ariana Bruno+5 more|arXiv (Cornell University)|Feb 4, 2020

Cloud Computing and Resource Management参考文献 48被引用 10

一句话总结

HiveMind 是一种可扩展的无服务器协调平台，专为无人机群设计，结合了基于云的集中式计算与边缘设备的预处理，以减少网络流量并提升性能。通过利用事件驱动的无服务器函数、容错机制以及慢速任务（straggler）缓解技术，HiveMind 在故障和负载不均情况下，相比完全集中式或完全分布式系统，表现出更低的延迟、更高的电池效率和更强的可靠性。

ABSTRACT

Swarms of autonomous devices are increasing in ubiquity and size. There are two main trains of thought for controlling devices in such swarms; centralized and distributed control. Centralized platforms achieve higher output quality but result in high network traffic and limited scalability, while decentralized systems are more scalable, but less sophisticated. In this work we present HiveMind, a centralized coordination control platform for IoT swarms that is both scalable and performant. HiveMind leverages a centralized cluster for all resource-intensive computation, deferring lightweight and time-critical operations, such as obstacle avoidance to the edge devices to reduce network traffic. HiveMind employs an event-driven serverless framework to run tasks on the cluster, guarantees fault tolerance both in the edge devices and serverless functions, and handles straggler tasks and underperforming devices. We evaluate HiveMind on a swarm of 16 programmable drones on two scenarios; searching for given items, and counting unique people in an area. We show that HiveMind achieves better performance and battery efficiency compared to fully centralized and fully decentralized platforms, while also handling load imbalances and failures gracefully, and allowing edge devices to leverage the cluster to collectively improve their output quality.

研究动机与目标

• 解决完全集中式和完全分布式无人机群控制平台在可扩展性和效率方面的局限性。
• 通过将轻量级、时间关键的任务（例如障碍物规避）卸载到边缘设备，同时将复杂计算保留在云端，以减少无人机群中的网络流量。
• 通过在无人机发生故障或性能下降时动态重新分配任务，提升无人机群的容错能力和负载均衡能力。
• 通过实现无服务器任务执行并结合慢速任务检测与缓解机制，提升性能可预测性并降低延迟。
• 通过允许边缘设备从云端处理的决策中学习，实现集体智能，从而随时间推移持续提升整体输出质量。

提出的方法

• 使用事件驱动的无服务器计算框架（例如类似 AWS Lambda 的架构）在云端执行计算密集型任务，实现按需的细粒度并行处理。
• 将轻量级、时间关键的操作（例如图像滤波、初步识别）推迟到无人机上执行，以最小化数据传输并减少网络拥塞。
• 采用持久化容器实例（保持连接 1 秒）以减少冷启动开销，并提升无服务器后端的任务调度效率。
• 通过检测无人机故障并实时将故障无人机负责的区域重新分配给邻近无人机，实现容错机制。
• 通过识别并重启执行时间显著长于平均值的任务，实施慢速任务缓解策略，降低无服务器执行中的尾部延迟。
• 使用集中式持久化存储，使边缘设备能够从历史决策中学习，从而集体提升未来性能。

实验结果

研究问题

• RQ1 在延迟、网络效率和电池使用方面，混合集中式-边缘协调模型相较于完全集中式或完全分布式无人机群控制方式，表现如何？
• RQ2 无服务器计算在多无人机群协调平台中，能在多大程度上提升可扩展性和成本效益？
• RQ3 无服务器平台在实时无人机群操作中，处理故障和负载不均问题的效率如何？
• RQ4 慢速任务对基于无服务器的无人机群协调性能可预测性有何影响？又该如何缓解？
• RQ5 通过集体学习与反馈机制，集中式云端处理能否提升边缘设备的决策质量？

主要发现

• HiveMind 通过将预处理任务卸载到无人机，显著减少了网络流量，其可扩展性优于完全集中式系统。
• 在第一种场景（物品搜索）中，HiveMind 在两架无人机故障时性能下降仅为 10.3%，三架故障时为 24%，但仍能完成任务。
• 在第二种场景（人员计数）中，两架无人机故障时性能下降 11.8%，三架故障时为 26%，且在三架故障时电池使用率降至 43%。
• HiveMind 中的慢速任务缓解机制显著降低了无服务器任务的长尾延迟，提升了执行可预测性并减少了资源争用。
• 由于减少了数据传输和云端资源争用，HiveMind 的平均执行时间低于完全集中式系统。
• 在任务完成后将无服务器容器保持活跃 1 秒，减少了唯一使用的容器数量，同时在无显著开销的情况下提升了性能。