暗环境下的边缘计算:利用上下文组合赌博机与编码计算
分布式、并行与集群计算
2021-03-05 v2
摘要
随着边缘计算能力的最新进展,利用边缘云进行事件驱动和时延敏感计算的需求显著增加。然而,大规模边缘计算网络可能严重受不可预测和不可靠的计算资源影响,导致服务质量的高度变异性。因此,设计保障服务质量与计算查询时效性的高效任务调度策略至关重要。本文研究在未知边缘云网络上处理一系列及时计算作业的计算卸载问题。受 MapReduce 计算范式启发,我们假设每个计算作业可划分为在边缘处理的较小 Map 函数,而 Reduce 函数在从边缘节点收集 Map 结果后于用户端计算。我们将每个边缘设备的服务质量(在截止时间内将结果返回用户的成功概率)建模为上下文(影响边缘设备的因素集合)的函数。用户决定卸载到各设备的计算任务,目标是在给定截止时间内接收到可恢复的计算结果集合。我们的目标是在不知晓各设备上下文或计算能力的情况下,设计高效的暗环境边缘计算策略。通过利用\emph{编码计算}(coded computing)框架以应对计算中的失败或掉队者(stragglers),我们使用上下文组合多臂赌博机(contextual-combinatorial multi-armed bandits, CC-MAB)表述该问题,并旨在最大化累积期望奖励。我们提出一种称为\emph{在线编码边缘计算策略}(online coded edge computing policy)的在线学习策略,该策略相较于所提 CC-MAB 问题的最优离线策略,在遗憾损失方面可证明达到渐近最优性能。
引用
@article{arxiv.1912.09512,
title = {Edge Computing in the Dark: Leveraging Contextual-Combinatorial Bandit and Coded Computing},
author = {Chien-Sheng Yang and Ramtin Pedarsani and A. Salman Avestimehr},
journal= {arXiv preprint arXiv:1912.09512},
year = {2021}
}