[论文解读] Task Replication for Vehicular Edge Computing: A Combinatorial Multi-Armed Bandit based Approach

Yuxuan Sun, Jinhui Song+3 more|arXiv (Cornell University)|Jul 16, 2018

IoT and Edge/Fog Computing参考文献 14被引用 3

一句话总结

本文提出一种基于学习的任务复制算法（LTRA），采用组合多臂赌博机（CMAB）理论，在高度动态的车载边缘计算（VEC）系统中最小化平均卸载延迟。通过在多个服务车辆上实现任务复制，并实时学习信道与负载状况，LTRA 提升了服务可靠性，实现 0.6 秒内 98% 的任务完成率——相比单重卸载的 80% 显著提升。

ABSTRACT

In vehicular edge computing (VEC) system, some vehicles with surplus computing resources can provide computation task offloading opportunities for other vehicles or pedestrians. However, vehicular network is highly dynamic, with fast varying channel states and computation loads. These dynamics are difficult to model or to predict, but they have major impact on the quality of service (QoS) of task offloading, including delay performance and service reliability. Meanwhile, the computing resources in VEC are often redundant due to the high density of vehicles. To improve the QoS of VEC and exploit the abundant computing resources on vehicles, we propose a learning-based task replication algorithm (LTRA) based on combinatorial multi-armed bandit (CMAB) theory, in order to minimize the average offloading delay. LTRA enables multiple vehicles to process the replicas of the same task simultaneously, and vehicles that require computing services can learn the delay performance of other vehicles while offloading tasks. We take the occurrence time of vehicles into consideration, and redesign the utility function of existing CMAB algorithm, so that LTRA can adapt to the time varying network topology of VEC. We use a realistic highway scenario to evaluate the delay performance and service reliability of LTRA through simulations, and show that compared with single task offloading, LTRA can improve the task completion ratio with deadline 0.6s from 80% to 98%.

研究动机与目标

• 解决高度动态的车载网络中，信道状态与计算负载快速变化，导致传统建模或预测不可行的挑战。
• 通过利用密集车辆群体提供的冗余计算资源，提升 VEC 中的服务质量（QoS）。
• 设计一种分布式、基于学习的任务卸载机制，使任务车辆能够在无全局状态信息的情况下自适应选择服务车辆。
• 在时变网络条件下，最小化平均卸载延迟，同时保持高服务可靠性。
• 优化任务副本数量与离散化级别，以在真实场景中平衡性能与计算成本。

提出的方法

• 提出一种分布式任务复制框架，其中每个任务车辆（TaV）同时将副本卸载到多个候选服务车辆（SeV）。
• 应用组合多臂赌博机（CMAB）理论建模 SeV 组的选择问题，将每组视为一个‘组合动作’，并以延迟为基础定义奖励。
• 重新设计效用函数以引入车辆到达时间，使其能够适应时变的 VEC 拓扑结构。
• 采用置信区间方法估计延迟的累积分布函数（CDF），在探索与利用之间取得平衡。
• 通过归一化与单调奖励变换，将延迟最小化问题转化为奖励最大化问题。
• 采用可调离散化级别 $ l $ 的延迟估计方法，优化运行时间与估计精度之间的权衡。

实验结果

研究问题

• RQ1 在全局状态信息有限的高动态 VEC 环境中，如何最小化任务卸载延迟？
• RQ2 在不同交通密度下，最优任务副本数量是多少，才能在延迟降低与资源利用率之间实现平衡？
• RQ3 延迟分布的离散化级别如何影响学习算法的性能与运行时间？
• RQ4 基于学习的方法是否能在平均延迟与服务可靠性两方面均优于单重卸载？
• RQ5 该算法在真实高速公路场景中，如何适应时变的车辆拓扑与瞬时信道条件？

主要发现

• 与单重卸载相比，LTRA 显著降低了平均卸载延迟，其性能接近具备理想信息的最优策略（即‘先知’策略）。
• 在 0.6 秒的截止时间内，LTRA 仅使用两个副本即可实现 98% 的任务完成率，而单重卸载仅为 80%。
• 当任务车辆与服务车辆的密度比超过 0.3 时，使用更少副本（如 2 个）的延迟性能优于更多副本（如 4 个）。
• 离散化级别 $ l $ 在 40 至 50 之间时，能实现延迟估计精度与算法运行时间的最佳平衡。
• 该算法的学习遗憾在理论上具有有界性，证实其在 CMAB 框架下具备收敛性与稳定性。
• 通过在效用函数中引入车辆到达时间，LTRA 有效适应了动态的车载拓扑结构，显著提升了实时适应能力。