[论文解读] Learning and Management for Internet-of-Things: Accounting for Adaptivity and Scalability

Tianyi Chen, Sergio Barbarossa+3 more|arXiv (Cornell University)|Oct 27, 2018

IoT and Edge/Fog Computing参考文献 82被引用 4

一句话总结

本文提出了一种统一的在线学习与管理框架，用于物联网系统，通过将雾计算与自适应、可扩展的算法相结合，实现对动态异构环境的统一管理。通过在有限反馈下采用无模型在线优化，该框架在非平稳程度各异的环境下实现了次线性遗憾，并具备强大的性能保证，从而实现了低时延、可扩展的物联网操作，且通信开销极低。

ABSTRACT

Internet-of-Things (IoT) envisions an intelligent infrastructure of networked smart devices offering task-specific monitoring and control services. The unique features of IoT include extreme heterogeneity, massive number of devices, and unpredictable dynamics partially due to human interaction. These call for foundational innovations in network design and management. Ideally, it should allow efficient adaptation to changing environments, and low-cost implementation scalable to massive number of devices, subject to stringent latency constraints. To this end, the overarching goal of this paper is to outline a unified framework for online learning and management policies in IoT through joint advances in communication, networking, learning, and optimization. From the network architecture vantage point, the unified framework leverages a promising fog architecture that enables smart devices to have proximity access to cloud functionalities at the network edge, along the cloud-to-things continuum. From the algorithmic perspective, key innovations target online approaches adaptive to different degrees of nonstationarity in IoT dynamics, and their scalable model-free implementation under limited feedback that motivates blind or bandit approaches. The proposed framework aspires to offer a stepping stone that leads to systematic designs and analysis of task-specific learning and management schemes for IoT, along with a host of new research directions to build on.

研究动机与目标

• 解决物联网系统中极端异构性、不可预测的动力学特性以及大规模可扩展性带来的挑战。
• 在反馈有限的条件下，实现实时、低时延的动态物联网环境决策。
• 设计一种统一的在线学习与管理框架，确保在多样化物联网应用中具备自适应性和可扩展性。
• 弥合通信、网络、优化与机器学习之间的鸿沟，以支持高效、去中心化的物联网操作。
• 在不同非平稳程度和信息可用性条件下，为在线策略提供理论性能保证。

提出的方法

• 采用雾计算架构，将云功能沿云到终端的连续体更靠近物联网设备进行分布。
• 设计能够适应非平稳动力学（包括对抗性变化）的在线学习算法，且仅依赖最少的反馈。
• 实施基于上下文bandit和盲学习的无模型方法，以减少对完整系统模型的依赖。
• 制定具有时变约束的随机优化问题，以平衡性能、时延与可扩展性。
• 集成分布式学习机制，以减少通信开销，并在大规模物联网部署中增强隐私保护。
• 通过遗憾分析建立理论性能边界，在一般非平稳条件下实现次线性遗憾保证。

实验结果

研究问题

• RQ1 如何设计物联网管理策略，使其在缺乏完整系统知识的情况下，仍能有效适应不可预测的非平稳动力学？
• RQ2 在大规模物联网系统中，性能保证、信息可用性与算法可扩展性之间的权衡关系是什么？
• RQ3 在反馈有限且时延约束严格的情况下，如何使在线学习具备可扩展性和高效性？
• RQ4 雾计算在提升物联网系统自适应性和低时延运行方面有哪些作用？
• RQ5 当动力学特性任意变化或遭受对抗性操纵时，在线学习在物联网中的性能基本极限是什么？

主要发现

• 所提出的框架在非平稳环境中实现了次线性遗憾，确保即使在动态变化下，性能损失也会随时间逐渐减小。
• 该方法支持可扩展的、低复杂度的实现，适用于大规模物联网部署，设备与网络之间的通信量极低。
• 在从独立同分布到对抗性动力学的各种假设下，均建立了性能保证，表明其在不同系统不确定性水平下均具备鲁棒性。
• 该框架支持在有限反馈下进行无模型学习，使其适用于全系统模型不可用的真实物联网场景。
• 将雾计算与在线优化相结合，实现了基于位置的决策，从而降低了时延和通信开销。
• 理论分析揭示了最优性保证、自适应能力与信息可用性之间的基本权衡，为未来物联网系统的设计提供了路线图。