GraphEdge: Dynamic Graph Partition and Task Scheduling for GNNs Computing in Edge Network

要約

モノのインターネット（IoT）デバイスの指数関数的な成長により、Edge Computing（EC）は、費用対効果の高いサービスを提供する上で徐々に重要な役割を果たしています。
ただし、既存のアプローチは、トラフィックフローの予測や社会関係の推奨システムなど、ユーザーデータが相関するグラフ構造のシナリオでうまく機能するのに苦労しています。
特に、グラフニューラルネットワーク（GNN）ベースのアプローチは、高価なサーバー通信コストにつながります。
この問題に対処するために、GNNベースのECアーキテクチャであるGraphEdgeを提案します。
GNNタスクのECシステムを考慮します。ここでは、ユーザーの間に関連性があり、ユーザーのタスクを処理する際に近隣のタスクデータを考慮する必要があります。
具体的には、アーキテクチャは最初にユーザートポロジを認識し、各タイムステップでのデータ関連をグラフレイアウトとして表します。
次に、グラフレイアウトは、提案された階層トラバーサルグラフカットアルゴリズム（HICUT）を呼び出すことにより最適化され、グラフレイアウトをGNNの集約特性に基づいて複数の弱い関連サブグラフにカットし、GNNの推論中の異なるサブグラフ間の通信コストが最小化されます。
最後に、最適化されたグラフレイアウトに基づいて、提案されたディープ補強学習（DRL）ベースのグラフオフロードオフロードアルゴリズム（DRLGO）が実行され、ユーザーのタスクの最適なオフロード戦略を取得すると、オフロード戦略はサブグラフベースです。
実験結果は、提案されたアーキテクチャの優れた効果と動的な適応を示しており、動的なシナリオでもうまく機能します。

要約(オリジナル)

With the exponential growth of Internet of Things (IoT) devices, edge computing (EC) is gradually playing an important role in providing cost-effective services. However, existing approaches struggle to perform well in graph-structured scenarios where user data is correlated, such as traffic flow prediction and social relationship recommender systems. In particular, graph neural network (GNN)-based approaches lead to expensive server communication cost. To address this problem, we propose GraphEdge, an efficient GNN-based EC architecture. It considers the EC system of GNN tasks, where there are associations between users and it needs to take into account the task data of its neighbors when processing the tasks of a user. Specifically, the architecture first perceives the user topology and represents their data associations as a graph layout at each time step. Then the graph layout is optimized by calling our proposed hierarchical traversal graph cut algorithm (HiCut), which cuts the graph layout into multiple weakly associated subgraphs based on the aggregation characteristics of GNN, and the communication cost between different subgraphs during GNN inference is minimized. Finally, based on the optimized graph layout, our proposed deep reinforcement learning (DRL) based graph offloading algorithm (DRLGO) is executed to obtain the optimal offloading strategy for the tasks of users, the offloading strategy is subgraph-based, it tries to offload user tasks in a subgraph to the same edge server as possible while minimizing the task processing time and energy consumption of the EC system. Experimental results show the good effectiveness and dynamic adaptation of our proposed architecture and it also performs well even in dynamic scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google