[论文解读] The state-of-the-art review on resource allocation problem using artificial intelligence methods on various computing paradigms

Javad Hassannataj Joloudari, Sanaz Mojrian+8 more|arXiv (Cornell University)|Mar 23, 2022

Traffic Prediction and Management Techniques被引用 4

一句话总结

本文全面综述了人工智能（AI）在各类计算范式（包括云、雾、物联网、5G及车载网络）中基于AI的资源分配技术。重点聚焦于深度学习与强化学习技术（如深度Q学习和Q学习），以优化延迟、能耗和成本等关键性能指标，展示了AI在提升分布式环境中系统效率与可扩展性方面的有效性。

ABSTRACT

With the increasing growth of information through smart devices, increasing the quality level of human life requires various computational paradigms presentation including the Internet of Things, fog, and cloud. Between these three paradigms, the cloud computing paradigm as an emerging technology adds cloud layer services to the edge of the network so that resource allocation operations occur close to the end-user to reduce resource processing time and network traffic overhead. Hence, the resource allocation problem for its providers in terms of presenting a suitable platform, by using computational paradigms is considered a challenge. In general, resource allocation approaches are divided into two methods, including auction-based methods(goal, increase profits for service providers-increase user satisfaction and usability) and optimization-based methods(energy, cost, network exploitation, Runtime, reduction of time delay). In this paper, according to the latest scientific achievements, a comprehensive literature study (CLS) on artificial intelligence methods based on resource allocation optimization without considering auction-based methods in various computing environments are provided such as cloud computing, Vehicular Fog Computing, wireless, IoT, vehicular networks, 5G networks, vehicular cloud architecture,machine-to-machine communication(M2M),Train-to-Train(T2T) communication network, Peer-to-Peer(P2P) network. Since deep learning methods based on artificial intelligence are used as the most important methods in resource allocation problems; Therefore, in this paper, resource allocation approaches based on deep learning are also used in the mentioned computational environments such as deep reinforcement learning, Q-learning technique, reinforcement learning, online learning, and also Classical learning methods such as Bayesian learning, Cummins clustering, Markov decision process.

研究动机与目标

• 分析人工智能在异构计算环境（如云、雾、物联网和5G网络）中基于AI的资源分配的最新进展。
• 评估深度学习与强化学习方法在动态和分布式工作负载下优化资源分配的有效性。
• 识别在新兴计算范式中资源分配的关键挑战，包括时延、能耗效率与网络开销。
• 系统比较AI技术（特别是深度强化学习与Q学习）与经典方法（如贝叶斯学习与马尔可夫决策过程）的性能差异。
• 通过整合最先进方法并指出当前方法论中的空白，为未来研究奠定基础。

提出的方法

• 对多种计算范式中基于AI的资源分配（排除拍卖方法）开展全面文献研究（CLS）。
• 聚焦于基于深度学习的方法，特别是深度强化学习（DRL）、Q学习与在线学习，以实现动态与自适应的资源分配。
• 评估经典学习方法（如贝叶斯学习、Cummins聚类与马尔可夫决策过程MDPs）在时变环境中的资源分配性能。
• 分析AI技术在多样化环境中的集成，包括车载雾计算、机器对机器（M2M）通信与对等（P2P）网络。
• 比较AI与非AI方法在处理延迟、能耗、成本与网络利用率等性能指标上的表现。
• 以优化目标为核心组织综述：在分布式与边缘计算架构中最小化延迟、降低能耗并提升成本效率。

实验结果

研究问题

• RQ1 深度强化学习与Q学习技术如何提升云与雾计算环境中资源分配的效率？
• RQ2 在动态网络环境中，基于AI的方法（如深度Q学习）相较于经典方法（如马尔可夫决策过程）有何相对优势？
• RQ3 AI驱动的资源分配策略在5G、物联网与车载网络中如何降低时延与能耗？
• RQ4 在线学习与自适应学习机制如何增强分布式与移动计算范式中的实时资源分配能力？
• RQ5 在P2P、T2T与M2M网络等不同计算模型中，基于AI的资源分配存在哪些关键性能权衡与局限性？

主要发现

• 深度强化学习与Q学习技术显著降低了云与雾计算环境中的处理延迟，并提升了资源利用率。
• 在如车载与物联网系统等动态高变化性网络中，基于AI的方法优于贝叶斯学习与Cummins聚类等经典方法。
• 在5G与M2M通信网络中，资源分配中引入深度学习可显著降低能耗与网络开销。
• 在线学习与自适应AI模型在对等网络与列车对列车（T2T）通信网络等实时环境中展现出更优的可扩展性与响应能力。
• 基于强化学习的系统通过动态适应不断变化的工作负载与网络条件，实现了更高的用户满意度与系统稳定性。
• 本研究证实，AI驱动的优化方法在异构计算基础设施中特别有效，可显著最小化运行时间并提升成本效率。