迈向碳中性边缘计算:利用现货与碳期货市场实现边缘 AI 绿化

为边缘设备的人工智能(AI)应用提供动态机器学习(ML)推理即服务面临诸多挑战,包括精度损失、碳排放与未知未来成本之间的权衡。此外,许多政府正在推出碳排放权(CER)以促使运营商进一步减排以逆转气候变化。面对这些挑战,为了在有限碳排放权下实现碳感知的 ML 任务卸载从而达成绿色边缘 AI,我们建立了一个联合 ML 任务卸载与 CER 购买问题,旨在购买所需 CER 的长期时间平均成本预算下最小化精度损失。然而,考虑到资源价格、CER 购买价格、站点碳强度以及 ML 任务到达的不确定性,难以在长时段内在线决定最优策略。为克服此困难,我们利用双时间尺度 Lyapunov 优化技术,其 $T$ 时隙漂移加惩罚方法启发我们提出一种在线算法,该算法在多时间尺度购买 CER(在碳期货市场预留、在碳现货市场按需)并决策 ML 任务的卸载位置。考虑到 $T$ 时隙问题的 NP 难性,我们进一步提出资源受限的随机依赖舍入算法,以在无任何未来信息辅助下获得近最优解。我们的理论分析与由真实碳强度轨迹驱动的大量仿真结果表明所提算法的优越性能。