[论文解读] Utility Optimal Scheduling in Processing Networks

Longbo Huang, Michael J. Neely|arXiv (Cornell University)|Oct 9, 2010

Advanced Wireless Network Optimization参考文献 19被引用 5

一句话总结

该论文提出了一种扰动最大权重（Perturbed Max-Weight, PMW）算法，用于在具有随机到达和网络条件的随机处理网络中实现效用最优调度。通过扰动队列权重以防止下溢，PMW 在保持平均队列长度为 $O(V)$ 的同时，实现了与最优值相差 $O(1/V)$ 的时间平均效用，从而在无需系统动态统计知识的情况下，实现了稳定且贪婪的调度。

ABSTRACT

We consider the problem of utility optimal scheduling in general \emph{processing networks} with random arrivals and network conditions. These are generalizations of traditional data networks where commodities in one or more queues can be combined to produce new commodities that are delivered to other parts of the network. This can be used to model problems such as in-network data fusion, stream processing, and grid computing. Scheduling actions are complicated by the \emph{underflow problem} that arises when some queues with required components go empty. In this paper, we develop the Perturbed Max-Weight algorithm (PMW) to achieve optimal utility. The idea of PMW is to perturb the weights used by the usual Max-Weight algorithm to ``push'' queue levels towards non-zero values (avoiding underflows). We show that when the perturbations are carefully chosen, PMW is able to achieve a utility that is within $O(1/V)$ of the optimal value for any $V\geq1$, while ensuring an average network backlog of $O(V)$.

研究动机与目标

• 解决具有随机到达和时变网络条件的一般处理网络中的效用最优调度问题。
• 解决在调度操作过程中所需队列内容耗尽时引发的队列下溢问题。
• 设计一种贪婪且低复杂度的算法，实现在不依赖系统随机性统计知识的前提下接近最优的效用。
• 提供明确的队列长度边界，避免依赖复杂的动态规划公式。
• 将最大权重框架扩展至处理网络，其中多个商品在队列间被合并或转换。

提出的方法

• 提出扰动最大权重（PMW）算法，通过在标准最大权重权重中添加扰动项，使队列水平远离零点。
• 使用扰动向量 $\boldsymbol{\theta}$ 确保所有队列维持非零水平，从而在调度过程中防止下溢。
• 应用李雅普诺夫优化技术分析稳定性和效用性能，推导出队列长度和最优性差距的边界。
• 构建一个同时包含队列积压和效用的李雅普诺夫函数，并利用漂移加惩罚分析方法推导性能保证。
• 实施两阶段更新机制：首先更新需求队列的权重；然后将更新传播至供应队列，以保持基于权重的调度决策的一致性。
• 证明 PMW 通过使用常数 $C = N_p M_p w_{\text{max}} \nu_{\text{max}} \beta_{\text{max}}$ 限制与最优动作集的偏差，实现了与最优值相差 $O(1/V)$ 的效用。

实验结果

研究问题

• RQ1 贪婪调度算法是否能在具有随机动态和下溢约束的处理网络中实现接近最优的效用？
• RQ2 如何在不依赖系统随机性统计知识的前提下，防止基于最大权重的调度中的队列下溢？
• RQ3 何种扰动策略可同时确保避免下溢并实现时间变更多处理网络中的效用最优？
• RQ4 能否为一种实际可实现的算法推导出网络队列积压和效用差距的显式边界？
• RQ5 与现有方法（如亏空最大权重或布朗运动近似）相比，PMW 算法在性能和复杂度上表现如何？

主要发现

• PMW 算法在任意 $V \geq 1$ 条件下，实现了与最优效用相差 $O(1/V)$ 的时间平均效用。
• 平均网络队列积压被限制在 $O(V)$ 范围内，实现了效用最优性与延迟之间的权衡。
• 扰动策略确保所有队列维持非零水平，从而有效消除调度过程中的下溢问题。
• 该算法保证所选动作在常数 $C = N_p M_p w_{\text{max}} \nu_{\text{max}} \beta_{\text{max}}$ 范围内最大化扰动权重函数，接近最优值。
• PMW 算法以贪婪方式运行，无需了解网络状态分布的统计知识，因此适用于实时实现。
• 该方法确保权重更新在网络中正确传播，维持了依赖队列间调度决策的一致性。