[论文解读] Online Multi-Level Aggregation with Delays and Stochastic Arrivals

Mathieu Mari, Michał E. Pawłowski+2 more|arXiv (Cornell University)|Jan 1, 2024

Optimization and Search Problems被引用 1

一句话总结

本文提出了一种针对泊松分布请求到达的随机多级聚合（MLA）问题的确定性在线算法，结合对高频顶点的周期性无偏访问与剩余请求的贪心服务策略，实现了期望值比（RoE）的常数比，证明了利用随机信息可显著优于最坏情况下的在线界性能。

ABSTRACT

This paper presents a new research direction for online Multi-Level Aggregation (MLA) with delays. In this problem, we are given an edge-weighted rooted tree $T$, and we have to serve a sequence of requests arriving at its vertices in an online manner. Each request $r$ is characterized by two parameters: its arrival time $t(r)$ and location $l(r)$ (a vertex). Once a request $r$ arrives, we can either serve it immediately or postpone this action until any time $t > t(r)$. We can serve several pending requests at the same time, and the service cost of a service corresponds to the weight of the subtree that contains all the requests served and the root of $T$. Postponing the service of a request $r$ to time $t > t(r)$ generates an additional delay cost of $t - t(r)$. The goal is to serve all requests in an online manner such that the total cost (i.e., the total sum of service and delay costs) is minimized. The current best algorithm for this problem achieves a competitive ratio of $O(d^2)$ (Azar and Touitou, FOCS'19), where $d$ denotes the depth of the tree. Here, we consider a stochastic version of MLA where the requests follow a Poisson arrival process. We present a deterministic online algorithm which achieves a constant ratio of expectations, meaning that the ratio between the expected costs of the solution generated by our algorithm and the optimal offline solution is bounded by a constant. Our algorithm is obtained by carefully combining two strategies. In the first one, we plan periodic oblivious visits to the subset of frequent vertices, whereas in the second one, we greedily serve the pending requests in the remaining vertices. This problem is complex enough to demonstrate a very rare phenomenon that ``single-minded" or ``sample-average" strategies are not enough in stochastic optimization.

研究动机与目标

• 通过引入随机请求到达模型，填补在线多级聚合（MLA）在竞争比方面的空白。
• 形式化一种MLA的随机变体，其中请求遵循泊松过程，从而通过期望值比（RoE）进行性能分析。
• 设计一种在线算法，实现常数RoE，证明利用随机知识可实现优于最坏情况竞争比的性能。
• 通过结合周期性与贪心机制，克服单一思维或样本平均策略在随机在线优化中的局限性。

提出的方法

• 将每个顶点的请求到达建模为独立的泊松过程，速率为λ(u)，确保无 memory 的到达间隔时间。
• 实施一种周期性无偏策略，根据估计的请求速率，以固定间隔调度对高频请求顶点的访问。
• 每当有请求到达或发生周期性访问时，对剩余顶点中的所有待处理请求应用贪心策略进行服务。
• 通过优先对高频顶点进行周期性访问，并对低频顶点使用贪心服务策略，结合两种策略。
• 采用基于阈值的决策规则以平衡延迟成本与服务成本，最小化期望总成本。
• 通过随机耦合与概率界技术分析算法的期望成本，并与最优离线解进行比较。

实验结果

研究问题

• RQ1 在泊松请求到达下，确定性在线算法能否实现MLA的常数期望值比（RoE）？
• RQ2 通过利用请求到达模式的随机信息，是否可能超越最坏情况下的竞争比？
• RQ3 结合周期性无偏访问与贪心服务的混合策略能否在随机MLA中实现常数RoE？
• RQ4 在该随机设置下，单一思维或样本平均策略是否足以实现最优性能？

主要发现

• 所提出的算法实现了常数期望值比（RoE），意味着在线解的期望成本在最优离线解的常数因子范围内。
• 该算法通过周期性无偏访问高频顶点，并对低频顶点中的待处理请求实施贪心服务，以平衡延迟与服务成本。
• 分析表明，随机信息可实现常数RoE，而这一结果在最坏情况在线设置中无法实现，后者最佳已知竞争比为O(d²)。
• 结果表明，单一思维或样本平均策略不足以实现最优性能，必须采用混合方法。
• 该方法在不同树深下均表现稳健，并在随机模型中提供强性能保证，即使离线最优解未知亦然。
• 该工作为在具有延迟的随机到达场景下，设计其他网络设计问题的常数RoE在线算法开辟了新方向。