[论文解读] MaxWeight Scheduling: Asymptotic Behavior of Unscaled Queue-Differentials in Heavy Traffic

Rahul Singh, Alexander Stolyar|arXiv (Cornell University)|Feb 12, 2015

Advanced Wireless Network Optimization参考文献 10被引用 6

一句话总结

本文在重负载条件下分析了广义交换机模型中的MaxWeight调度，证明未缩放的队列差分过程在稳态下收敛于一个正递归马尔可夫链。这表明服务过程具有渐近平滑性，即使在接近容量时，单个流也不会出现大的服务间隙。

ABSTRACT

The model is a "generalized switch", serving multiple traffic flows in discrete time. The switch uses MaxWeight algorithm to make a service decision (scheduling choice) at each time step, which determines the probability distribution of the amount of service that will be provided. We are primarily motivated by the following question: in the heavy traffic regime, when the switch load approaches critical level, will the service processes provided to each flow remain "smooth" (i.e., without large gaps in service)? Addressing this question reduces to the analysis of the asymptotic behavior of the unscaled queue-differential process in heavy traffic. We prove that the stationary regime of this process converges to that of a positive recurrent Markov chain, whose structure we explicitly describe. This in turn implies asymptotic "smoothness" of the service processes.

研究动机与目标

• 研究MaxWeight调度在重负载下是否能保持单个流的服务过程平滑，避免出现大的服务间隙。
• 分析在重负载条件下未缩放队列差分过程的渐近行为。
• 建立队列差分过程的平稳分布收敛于正递归马尔可夫链的分布。
• 证明该收敛性意味着即使系统负载趋近于容量，也不会出现长时间的服务间隙。
• 将结果从完全资源池化（CRP）情形推广到具有多维法锥的通用速率区域边界。

提出的方法

• 建立一个广义交换机模型，采用离散时间、随机服务结果和连续到达过程，以确保平稳分布的绝对连续性。
• 将队列差分过程 $\bm{Y}^{(n)}(t)$ 定义为加权队列长度在子空间 $\bm{\nu}_{\perp}$ 上的投影，该子空间与临界负载点 $\bm{\lambda}^\star$ 处的法锥 $\bm{\nu}$ 正交。
• 利用 $\bm{Y}^{(n)}(\cdot)$ 的平稳分布弱收敛于极限马尔可夫过程 $\bm{Y}^\star(\cdot)$，当系统负载 $\lambda^{(n)} \to \lambda^\star$ 时成立。
• 通过紧致性论证和Nummelin分裂方法，证明极限过程 $\bm{Y}^\star(\cdot)$ 为正Harris遍历。
• 在公共概率空间耦合下，建立累积服务过程 $\bm{G}^{(n)}(T)$ 几乎必然收敛于 $\bm{G}^\star(T)$。
• 通过引入 $\bm{x}_{\perp,sp}$（即到 $\bm{\nu}_{\perp}$ 的正交投影），将结果推广至非CRP情形，并证明 $h(\bm{Q}^{(n)}(\infty)) \to \infty$ 在概率上成立，以确保决策保持在临界面 $\bm{V}^\star$ 内。

实验结果

研究问题

• RQ1 MaxWeight调度在重负载下是否能保持单个流的服务过程平滑，避免出现大的服务间隙？
• RQ2 当系统负载趋近于容量时，未缩放队列差分过程 $\bm{Y}^{(n)}$ 的渐近行为是什么？
• RQ3 队列差分过程的平稳分布是否在重负载极限下收敛于正递归马尔可夫链的分布？
• RQ4 该分析如何推广至法锥为一维的完全资源池化（CRP）情形之外？
• RQ5 能否证明极限服务过程 $\bm{G}^\star(T)$ 在任意长区间内保持空闲的概率为零？

主要发现

• 在重负载极限下，未缩放队列差分过程 $\bm{Y}^{(n)}$ 的平稳分布弱收敛于正递归马尔可夫链 $\bm{Y}^\star(\cdot)$ 的分布。
• 极限过程 $\bm{Y}^\star(\cdot)$ 是正Harris遍历的，确保了遍历性及唯一平稳分布的存在性。
• 与 $\bm{Y}^\star(\cdot)$ 对应的累积服务过程 $\bm{G}^\star(T)$ 满足 $\max_i \lim_{T\to\infty} P(G^\star_i(T) = 0) = 0$，从而证明了渐近平滑性。
• 在公共概率空间耦合下，$\bm{G}^{(n)}(T) \to \bm{G}^\star(T)$ 几乎必然成立。
• 通过使用 $\bm{x}_{\perp,sp}$ 并证明 $h(\bm{Q}^{(n)}(\infty)) \to \infty$ 在概率上成立，该证明推广至非CRP情形，确保决策始终位于临界面 $\bm{V}^\star$ 内。
• 关键技术步骤是通过广义化[3]中的论证方法，将其扩展至多维法锥，从而证明平稳分布的紧致性。