[论文解读] Variability Aware Network Utility Maximization

Vinay Joseph, Gustavo de Veciana|arXiv (Cornell University)|Nov 16, 2011

Software System Performance and Reliability被引用 10

一句话总结

本文提出了一种方差敏感的网络效用最大化（NUM）框架，明确建模并优化用户奖励均值与时间波动性之间的权衡。该框架引入了一种在线自适应可变性感知资源（AVR）分配算法，在平稳遍历条件下，通过收敛至具备完整未来资源可变性知识的离线算法性能，实现渐近最优。

ABSTRACT

Network Utility Maximization (NUM) provides the key conceptual framework to study resource allocation amongst a collection of users/entities across disciplines as diverse as economics, law and engineering. In network engineering, this framework has been particularly insightful towards understanding how Internet protocols allocate bandwidth, and motivated diverse research on distributed mechanisms to maximize network utility while incorporating new relevant constraints, on energy/power, storage, stability, etc., for systems ranging from communication networks to the smart-grid. However when the available resources and/or users' utilities vary over time, a user's allocations will tend to vary, which in turn may have a detrimental impact on the users' utility or quality of experience. This paper introduces a generalized NUM framework which explicitly incorporates the detrimental impact of temporal variability in a user's allocated rewards. It explicitly incorporates tradeoffs amongst the mean and variability in users' allocations. We propose an online algorithm to realize variance-sensitive NUM, which, under stationary ergodic assumptions, is shown to be asymptotically optimal, i.e., achieves a time-average equal to that of an offline algorithm with knowledge of the future variability in the system. This substantially extends work on NUM to an interesting class of relevant problems where users/entities are sensitive to temporal variability in their service or allocated rewards.

研究动机与目标

• 为解决动态网络中用户奖励的时间波动性对用户体验质量（QoE）的负面影响。
• 形式化一种广义NUM框架，明确平衡平均奖励与奖励波动性。
• 设计一种在线算法，在缺乏未来知识的情况下，实现接近离线最优解的性能。
• 通过在效用函数中引入方差惩罚项，建模人类对服务不稳定的敏感性。

提出的方法

• 提出广义离线优化问题（OPT(T)），通过结合时间平均效用与方差惩罚项，最大化QoE的代理指标。
• 采用拉格朗日对偶公式推导最优性条件，并建立解的凸性与唯一性。
• 设计一种在线AVR算法，根据观测到的信道状态和估计的奖励方差动态调整资源分配。
• 采用李雅普诺夫函数与稳定性分析，证明算法参数收敛至最优解集。
• 引入时间平均奖励跟踪机制，确保收敛至离线最优的平均分配。
• 利用时变约束的遍历性，证明在线分配的时间平均值与离线最优值一致。

实验结果

研究问题

• RQ1 如何将网络效用最大化扩展至显式考虑用户奖励的时间波动性？
• RQ2 在线算法能否实现与具备完整未来资源可变性知识的离线算法相当的性能？
• RQ3 奖励方差对用户QoE有何影响，如何在NUM框架中建模？
• RQ4 如何在分布式、在线环境下实现方差敏感的资源分配，并保证收敛性？
• RQ5 在时变、遍历约束下，何种条件可确保在线算法收敛至最优解？

主要发现

• 所提出的AVR算法具有渐近最优性，即其时间平均性能收敛至具备完整未来知识的离线算法性能。
• 该算法收敛至最优解集H∗，其中平均奖励与方差估计值与最优参数一致。
• 通过遍历性与大数定律，证明了在线算法分配的时间平均值收敛至离线最优平均分配mπ。
• 效用函数中的方差惩罚项有效减少了奖励波动，提升了感知QoE，同时不牺牲平均效用。
• 在时变约束（ct）的平稳遍历假设下，收敛性可保证。
• 解具有唯一性，且对均值与方差参数连续依赖，确保对参数估计误差具有鲁棒性。