Neural Quantile Optimization for Edge-Cloud Computing

要約

私たちは、制約を満たし、バースト可能な課金に基づいてコストを最小限に抑える、エッジ クラウド コンピューティング ネットワークに最適なトラフィック割り当てスキームを模索します。
まず、固定ネットワーク トポロジの場合、さまざまなトラフィック需要を記述するランダム パラメーターを使用して一連の整数計画問題を定式化します。
次に、問題の離散的特徴によって引き起こされる困難を克服するために、Gumbel-softmax 再パラメータ化法を一般化して、離散問題の正規化された継続として制約のない連続最適化問題を誘導します。
最後に、教師なし学習を通じて最適化問題を解決するために、Gumbel-softmax サンプリング ネットワークを導入します。
ネットワーク構造はエッジ クラウド コンピューティング トポロジを反映しており、制約のない連続最適化問題に対するコスト関数の期待値を最小限に抑えるようにトレーニングされています。
トレーニングされたネットワークは、効率的なトラフィック割り当てスキーム サンプラーとして機能し、実現可能性とコスト関数値の点でランダム戦略を著しく上回ります。
出力割り当てスキームの品質をテストすることに加えて、タイム ステップとユーザー数を増やすことによってネットワークの一般化特性を調べます。
また、この解を初期条件として既存の整数最適化ソルバーに供給し、ウォーム スタートが短時間の反復プロセスを加速できることを検証します。
このフレームワークは一般的で安定したパフォーマンスを備えており、ランダム ニューラル ネットワークの分離された機能は実用的な実装に十分です。

要約(オリジナル)

We seek the best traffic allocation scheme for the edge-cloud computing network that satisfies constraints and minimizes the cost based on burstable billing. First, for a fixed network topology, we formulate a family of integer programming problems with random parameters describing the various traffic demands. Then, to overcome the difficulty caused by the discrete feature of the problem, we generalize the Gumbel-softmax reparameterization method to induce an unconstrained continuous optimization problem as a regularized continuation of the discrete problem. Finally, we introduce the Gumbel-softmax sampling network to solve the optimization problems via unsupervised learning. The network structure reflects the edge-cloud computing topology and is trained to minimize the expectation of the cost function for unconstrained continuous optimization problems. The trained network works as an efficient traffic allocation scheme sampler, remarkably outperforming the random strategy in feasibility and cost function value. Besides testing the quality of the output allocation scheme, we examine the generalization property of the network by increasing the time steps and the number of users. We also feed the solution to existing integer optimization solvers as initial conditions and verify the warm-starts can accelerate the short-time iteration process. The framework is general with solid performance, and the decoupled feature of the random neural networks is adequate for practical implementations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google