Digital Twin-assisted Reinforcement Learning for Resource-aware Microservice Offloading in Edge Computing

要約

協調エッジ コンピューティング (CEC) は、エッジ ノードが連携してエンド デバイスからマイクロサービスを実行できるようにする、有望なパラダイムとして浮上しています。
基本的に重要な問題であるマイクロサービスのオフロードは、サービスの到着時にマイクロサービスがいつどこで実行されるかを決定します。
ただし、実際の CEC 環境の動的な性質により、マイクロサービスのオフロード戦略が非効率になることが多く、その結果、リソースが十分に活用されず、ネットワークが混雑します。
この課題に対処するために、サービスの平均完了時間を最小限に抑えるために、オンラインの共同マイクロサービス オフロードと帯域幅割り当ての問題 (JMOBA) を定式化します。
このペーパーでは、深層強化学習 (DRL) とデジタル ツイン テクノロジーを活用した、新しいマイクロサービス オフロード アルゴリズム DTDRLMO を紹介します。
具体的には、デジタル ツイン技術を採用して、変化するエッジ ノードの負荷と CEC のネットワーク状態をリアルタイムで予測し、適応します。
さらに、このアプローチにより、各マイクロサービスに最適なエッジ ノードを選択する、効率的なオフロード プランの生成が可能になります。
実世界および合成データセットのシミュレーション結果は、DTDRLMO が平均サービス完了時間においてヒューリスティックおよび学習ベースの方法よりも優れていることを示しています。

要約(オリジナル)

Collaborative edge computing (CEC) has emerged as a promising paradigm, enabling edge nodes to collaborate and execute microservices from end devices. Microservice offloading, a fundamentally important problem, decides when and where microservices are executed upon the arrival of services. However, the dynamic nature of the real-world CEC environment often leads to inefficient microservice offloading strategies, resulting in underutilized resources and network congestion. To address this challenge, we formulate an online joint microservice offloading and bandwidth allocation problem, JMOBA, to minimize the average completion time of services. In this paper, we introduce a novel microservice offloading algorithm, DTDRLMO, which leverages deep reinforcement learning (DRL) and digital twin technology. Specifically, we employ digital twin techniques to predict and adapt to changing edge node loads and network conditions of CEC in real-time. Furthermore, this approach enables the generation of an efficient offloading plan, selecting the most suitable edge node for each microservice. Simulation results on real-world and synthetic datasets demonstrate that DTDRLMO outperforms heuristic and learning-based methods in average service completion time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google