[论文解读] Learning-Based Task Offloading for Vehicular Cloud Computing Systems

Yuxuan Sun, Xueying Guo+4 more|arXiv (Cornell University)|Apr 3, 2018

IoT and Edge/Fog Computing参考文献 16被引用 8

一句话总结

本文提出了一种自适应易变置信上界（AVUCB）算法，用于基于学习的车载云计算（VCC）系统中的任务卸载。通过将负载感知与出现感知整合进多臂赌博机框架，AVUCB 使任务车辆能够在去中心化、低开销学习的基础上，通过理论上的遗憾边界最小化卸载延迟，在动态高速公路场景中实现接近最优的性能。

ABSTRACT

Vehicular cloud computing (VCC) is proposed to effectively utilize and share the computing and storage resources on vehicles. However, due to the mobility of vehicles, the network topology, the wireless channel states and the available computing resources vary rapidly and are difficult to predict. In this work, we develop a learning-based task offloading framework using the multi-armed bandit (MAB) theory, which enables vehicles to learn the potential task offloading performance of its neighboring vehicles with excessive computing resources, namely service vehicles (SeVs), and minimizes the average offloading delay. We propose an adaptive volatile upper confidence bound (AVUCB) algorithm and augment it with load-awareness and occurrence-awareness, by redesigning the utility function of the classic MAB algorithms. The proposed AVUCB algorithm can effectively adapt to the dynamic vehicular environment, balance the tradeoff between exploration and exploitation in the learning process, and converge fast to the optimal SeV with theoretical performance guarantee. Simulations under both synthetic scenario and a realistic highway scenario are carried out, showing that the proposed algorithm achieves close-to-optimal delay performance.

研究动机与目标

• 为解决车载云计算（VCC）中网络拓扑、信道状态和计算资源快速且不可预测波动的高动态性挑战。
• 在无集中协调或大量信令开销的情况下，最小化 VCC 中的平均任务卸载延迟。
• 使任务车辆能够基于历史延迟观测，通过去中心化学习选择最优的服务车辆（SeV）。
• 设计一种学习算法，有效平衡时变、不确定的车载环境中的探索与利用。
• 为所提出的算法提供学习遗憾的理论性能保证。

提出的方法

• 作者基于多臂赌博机（MAB）理论，开发了一种基于学习的任务卸载框架，以建模任务车辆选择 SeV 的决策过程。
• 他们提出了自适应易变置信上界（AVUCB）算法，通过在经典 MAB 效用函数中引入负载感知与出现感知组件，对其进行增强。
• 效用函数结合了归一化的输入数据大小和每个 SeV 的出现时间，以反映动态负载和可用性。
• 该算法基于过去的卸载尝试次数以及时变的信道和负载状况，使用置信区间项来平衡探索与利用。
• 理论分析证明，学习遗憾存在上界，从而确保以高概率收敛至最优 SeV。
• 该框架以去中心化方式运行，仅需历史延迟反馈，无需实时交换车辆状态信息。

实验结果

研究问题

• RQ1 在高度动态的 VCC 环境中，如何以最小信令开销实现去中心化的任务卸载决策？
• RQ2 在缺乏对 SeV 性能先验知识的情况下，基于多臂赌博机的学习方法在 VCC 中能将卸载延迟降低多少？
• RQ3 如何在学习效用函数中有效建模负载变化与 SeV 的时间出现特性，以提高决策准确性？
• RQ4 在时变车载网络中，基于赌博机的卸载算法能提供何种理论性能保证？
• RQ5 所提出的 AVUCB 算法在延迟和收敛速度方面与现有卸载策略相比表现如何？

主要发现

• AVUCB 算法在合成与真实高速公路场景中均实现了接近最优的卸载延迟性能，优于基线算法。
• 在效用函数中集成负载感知与出现感知，显著提升了学习效率与延迟降低效果，相较于标准 MAB 方法表现更优。
• 由于其自适应置信区间机制能够考虑动态负载与 SeV 可用性，该算法能快速收敛至最优 SeV。
• 理论分析确认，学习遗憾存在上界，确保了随时间推移的稳定与可预测性能。
• 去中心化设计实现了低信令开销，使其适用于大规模、高移动性的车载网络。
• 仿真结果表明，即使在 SeV 可用性与网络条件快速波动的情况下，AVUCB 仍能保持低延迟。