基于赌博机学习的需求估计下预算受限的边缘服务部署
计算机科学与博弈论
2019-03-22 v1
摘要
共享边缘计算平台使应用服务提供商(ASPs)能够在靠近移动用户的位置部署应用，从而为丰富的服务组合提供超低延迟和位置感知能力。尽管无处不在的边缘服务部署（即在所有可能的边缘站点部署应用）总是更优，但由于 ASP 的运营预算通常有限，这种做法并不现实。在此情况下，ASP 必须谨慎决定在何处部署边缘服务以及愿意使用多少预算。这里的一个核心问题是，每个边缘站点接收到的服务需求是部署收益的关键因素，而 ASP 事先并不知道该需求。更为复杂的是，这种需求模式在地理分布的边缘站点之间随时间和空间变化。在本文中，我们研究了一个边缘资源租赁问题，其中 ASP 在租赁这些站点的计算资源以托管其应用进行边缘服务部署的同时，学习各个边缘站点的服务需求模式。我们提出了一种基于上下文组合多臂赌博机(CC-MAB)框架的在线算法，称为上下文感知在线边缘资源租赁(COERR)。COERR 观测侧信息（上下文）以学习边缘站点的需求模式，并在有限预算下决定租赁决策（包括在哪里租赁计算资源以及租赁多少），以最大化 ASP 的效用。COERR 提供了可证明的性能，相较于确切知道边缘站点期望服务需求的 Oracle 算法实现了次线性遗憾。我们在真实世界数据集上进行了实验，结果表明 COERR 显著优于其他基准方法。
引用
@article{arxiv.1903.09080,
title = {Budget-constrained Edge Service Provisioning with Demand Estimation via Bandit Learning},
author = {Lixing Chen and Jie Xu},
journal= {arXiv preprint arXiv:1903.09080},
year = {2019}
}