文献阅读20

Cost-Aware Edge Resource Probing for Infrastructure-Free Edge Computing: From Optimal Stopping to Layered Learning （用于无基础架构的边缘计算的可感知成本的边缘资源探测：从最佳停止到分层学习）

摘要
为了满足诸如面部识别和视频流分析等人工智能应用的严格要求，资源受限的设备可以将其任务转移到边缘计算中的附近资源丰富的设备中。资源意识是卸载决策的首要前提，对于实现高效的协作计算性能至关重要。在本文中，我们考虑了用于无基础架构的边缘计算的成本感知边缘资源探测（CERP）框架设计，其中任务设备自组织其资源探测以实现知情的计算卸载。我们首先提出针对该问题的多阶段最优停止公式，并推导揭示出良好的多阈值结构的最优探测策略。因此，我们然后针对更实际和更复杂的应用程序环境设计了一种数据驱动的分层学习机制。分层学习使任务设备能够在运行时自适应地学习最佳探测序列和决策阈值，旨在在选择最佳边缘设备的收益与深度资源探测的累积成本之间取得良好的平衡。我们使用广泛的数值模拟和实际的系统原型实施，进一步对所提出的CERP方案进行全面的性能评估，这证明了CERP在各种应用场景中的卓越性能。
一、引言
随着人工智能技术的飞速发展和广泛普及，越来越多的新型智能移动和物联网（IoT）应用正在涌现，例如移动人脸识别，智能视频监控和智能家居[1]。这种类型的智能应用通常需要大量资源，运行计算量大的算法（例如深度学习）并且需要实时处理。然而，由于物理尺寸的限制，移动和物联网设备通常在资源上受限于有限的计算资源，因此难以满足那些计算密集型应用程序的严格QoS要求。
作为应对此类挑战的一种有前途的方法，计算机卸载已成为学术界和工业界的重点。在过去的十年中，许多研究人员专注于移动云计算，移动用户可以通过无线连接将其计算密集型任务转移到资源丰富的远程云中。尽管此范例已被用作Windows Azure等商业云服务的一种形式，但它经常遭受不稳定的无线连接和移动设备与云之间的广域网（WAN）延迟的困扰。作为替代方案，边缘计算将云资源和服务从网络核心推向网络边缘，从而利用大量协作终端用户设备和近用户设施来执行大量计算任务。由于边缘计算是在网络边缘实现的，因此它可以保证随时随地为设备用户提供低延迟以及敏捷的计算增强服务。
可以利用不同类型的设备（例如，智能手机，平板电脑，IoT网关和边缘/云服务器）的各种资源容量来支持高效的协作任务计算。例如，在图1中的说明性场景中，设备A有一个要完成的计算任务，它可以通过（机器对机器）M2M通信将其任务卸载到具有强大计算能力的设备（例如，设备C）中，或通过功能强大的边缘/云服务器通过网络边缘附近的无线连接（例如4 / 5G，WiFi）来加速计算处理。
但是，在采用这种卸载的边缘计算范例时，资源意识对于实现高效的协作计算性能至关重要。正如文献[6]中的经验测量研究所建议的那样，真实网络显示出高度的时空不规则性和随机性。在这种情况下，设备应拥有附近边缘设备当前可用资源的实时最新信息，以便优化其计算卸载决策。关于卸载边缘计算的许多现有研究通常假定完整的实时资源信息始终可用。这对于其中边缘基础结构（例如，基站）可用于连续资源感测并为计算卸载决策优化提供此类信息的基础结构辅助边缘计算场景而言可能是相关的。但是，由于边缘资源的分散性质，因此也存在大量无基础架构的方案（例如，用于军事和灾难应用的分散计算，机器人群中的分布式计算以及异构物联网，WiFi和蜂窝共存中的边缘计算）网络），其中分散的边缘设备以分散的方式运行，并且缺少公共资源感知服务。在这种情况下，任务设备进行边缘资源探测的过程对于及时获取资源信息并实现明智的计算卸载决策至关重要。确实，正如我们在第六节的实验研究中所证实的那样，通过适当的资源探测实现的计算分载可以比不进行探测的现有方法获得可观的收益。
有了这种见识，本文将以用户为中心，研究设备用户在不依赖基础架构的边缘计算中实现高效计算分流的成本感知边缘资源探测问题。我们提出了CERP，这是一个在优化用户的计算卸载决策时考虑边缘资源探测成本的框架，旨在在选择最佳边缘设备的收益与深度资源探测的累积成本之间取得良好的平衡。为了进行全面的CERP设计，在本文中，我们考虑了有和没有统计边缘资源信息的两种情况。
对于统计边缘资源信息可用的情况，我们将成本感知边缘探测问题公式化为多阶段最优停止问题，并提出了一种最优资源探测策略。与经典的最佳停止问题[9]（探测序列是（随机）给出且不受控制的）不同，设备探测顺序会显着影响资源探测过程的性能。在这种情况下，任务设备应共同确定相应的探测顺序以及何时停止探测过程。通过研究问题的结构性质，我们发现最优资源探测策略具有良好的多阈值结构，并据此推导了最优策略。
对于当统计边缘资源信息不可用的更实际的情况，我们利用深层神经网络（DNN）和深层强化学习（DRL）的强大工具，提出了一种数据驱动的分层学习机制。由于用户行为的动态变化以及边缘网络环境的复杂时变特性，通常难以准确推导最佳资源探测策略中的决策阈值集。基于阈值结构的洞察力，我们提出了一种用于高效边缘资源探测的新型分层学习机制，该机制将DNN和DRL模型联合集成到一个整体框架中，以在运行时自适应地学习最佳探测序列和决策阈值。
我们将使用广泛的数值模拟和实际的系统原型实施，进一步对CERP框架进行全面的性能评估。实验结果表明，所提出的CERP机制可以胜过各种比较方案，例如贪婪策略，DQN和多武装匪徒学习。
二、无基础设施边缘计算中以用户为中心的任务卸载模型
三、成本意识边缘资源探测的最佳停止
四、基于阈值的最佳资源探测策略
五、分层学习成本意识边缘资源
六、性能评估
七、相关工作
设备发现机制：
许多工作从功率控制，信道资源分配和模式选择方面研究和设计了设备发现机制。崔等。 [24]考虑了基于LTE-A系统中随机访问过程的集中式D2D发现方案。 Naslcheraghi等。 [25]提出了一种信令算法，用于在D2D发现机制中的网络实体之间交换发现消息。 Prasad等人[26]提出了一种邻近服务发现机制，以避免不必要的能量消耗，而不会造成永久性周期性设备发现，而不会降低精度。提出了一种更快的Wi-Fi直接发现功能，称为侦听信道随机化（LCR）[27]，以加快设备发现速度。 Badri等。 [28]考虑联合蜂窝/ D2D模式选择和设备配对，而不是[26]中最接近的邻居配对。但是，为了响应混合边缘网络中的任务卸载，尤其是在D2D / IoT网络中，需要考虑设备资源，例如计算和存储容量。在我们的工作中，我们将设备发现机制视为早期阶段，然后允许边缘网络中的设备通过探测来交换其数据信息，并获得有效的计算性能。
任务卸载：
任务卸载是移动边缘计算（MEC）的热门话题[29]。主要工作集中于系统范围的任务计划管理[10]，[30]，[31]，即，网络资源信息作为必要前提，由控制器在决策前收集。如Pu等。 [10]提出了一种基于D2D网络的激励意识卸载框架，以最大程度地降低能耗。杨等。 [31]考虑了一种用于任务卸载的小型蜂窝网络体系结构，以通过计算能力和服务延迟需求来最大程度地降低总体能耗。但是，由于MEC系统的分布式性质，通常很难在多个运营商之间实现有效的协调的系统级服务管理。 Sun等。 [21]提出了一种以用户为中心的EMM-LSI方案，以优化执行延迟。 Sun等。 [32]提出了AVUCB算法来卸载服务车辆场景中的任务。为了克服丢失的网络资源信息，上述工作应用了多臂强盗（MAB）技术以在线方式学习网络环境。为了增强资源感知能力，我们引入了一种探测机制，并应用神经网络来确定卸载决策。
八、结论
在本文中，我们提出了成本感知边缘资源证明（CERP）机制，以实现有效的资源感知边缘计算卸载。我们针对不同的应用场景和环境，提出了多阶段最优停止解决方案和数据驱动的分层学习机制。广泛的数值模拟和逼真的系统原型实施情况表明，建议的CERP方案可以大大胜过各种现有基准。