[论文解读] Smart-Edge-CoCaCo: AI-Enabled Smart Edge with Joint Computation, Caching, and Communication in Heterogeneous IoT

Yixue Hao, Yiming Miao+5 more|arXiv (Cornell University)|Jan 8, 2019

IoT and Edge/Fog Computing参考文献 11被引用 12

一句话总结

本文提出 Smart-Edge-CoCaCo，一种人工智能增强的边缘计算架构，可协同优化异构物联网环境中的计算卸载、缓存和通信。通过整合基于协同过滤的缓存机制、动态卸载决策以及无线通信建模，该算法在高负载和并发用户条件下，与传统云计算相比，总延迟最高可降低 40%。

ABSTRACT

The development of mobile communication technology, hardware, distributed computing, and artificial intelligence (AI) technology has promoted the application of edge computing in the field of heterogeneous Internet of Things (IoT). In order to overcome the defects of the traditional cloud computing model in the era of big data. In this article, we first propose a new AIenabled smart edge with heterogeneous IoT architecture which combines edge computing, caching, and communication. Then, we propose the Smart-Edge-CoCaCo algorithm. To minimize total delay and confirm the computation offloading decision, Smart-Edge-CoCaCo uses joint optimization of the wireless communication model, the collaborative filter caching model in edge cloud, and the computation offloading model. Finally, we built an emotion interaction testbed to perform computational delay experiments in real environments. The experiment results showed that the computation delay of the Smart-Edge-CoCaCo algorithm is lower than that of traditional cloud computing model with the increase of computing task data and the number of concurrent users.

研究动机与目标

• 解决传统云计算在异构物联网环境中导致的高延迟和网络拥塞问题。
• 克服集中式云处理在大规模、并发且对延迟敏感的物联网工作负载下的局限性。
• 设计一种联合优化框架，用于计算卸载、边缘缓存和无线通信，以最小化端到端延迟。
• 在真实世界的情感识别场景中评估所提出的解决方案，以验证其相对于传统基于云模型的性能提升。

提出的方法

• 提出一种新型人工智能增强的智能边缘架构，整合异构物联网中的边缘计算、缓存和通信。
• 在边缘云中实现基于协同过滤的缓存模型，以提高缓存命中率并减少冗余数据传输。
• 开发一种联合优化模型，结合无线通信、缓存和计算卸载，以最小化总延迟。
• 基于任务复杂度、网络状况和边缘云可用性，实施动态计算卸载决策。
• 集成人工智能驱动的决策机制，以自适应地在本地设备、边缘云和远程云之间路由任务。
• 使用 AIWAC 情感交互测试平台进行真实世界实验，测试不同图像尺寸和并发用户数下的系统表现。

实验结果

研究问题

• RQ1 如何通过联合优化计算、缓存和通信来降低异构物联网系统中的端到端延迟？
• RQ2 基于协同过滤的边缘缓存对减少通信开销和延迟有何影响？
• RQ3 在任务复杂度增加的情况下，边缘与云节点之间的动态计算卸载如何影响系统性能？
• RQ4 在高并发环境下，与传统仅基于云的卸载相比，该系统表现如何？
• RQ5 在延迟、带宽和资源利用率方面，本地处理、边缘处理和云处理之间存在哪些权衡？

主要发现

• 在所有测试的图像尺寸下，Smart-Edge-CoCaCo 算法的总计算延迟均低于传统云计算，且随着数据复杂度增加，延迟差距进一步扩大。
• 在高并发用户负载（最高达 35 名用户）下，Smart-Edge-CoCaCo 模型的平均延迟始终低于传统云模型，展现出更优的可扩展性。
• 当图像尺寸从 16×16 增加到 160×160 时，Smart-Edge-CoCaCo 算法由于优化的卸载与缓存决策，仍能保持更低的延迟。
• 该算法动态选择卸载目标——对低复杂度任务优先选择边缘云，对高复杂度任务则选择云——从而有效降低整体延迟。
• 通过协同过滤实现的缓存命中率提升，显著减少了冗余数据传输和核心网络拥塞。
• 在极端网络拥塞情况下，Smart-Edge-CoCaCo 与传统云计算之间的延迟差距有所缩小，但所提方法在所有场景下仍优于基线模型。