Public Edge as a Serviceにおける強化学習ベースのオフロードによるインテリジェントエッジコンピューティングに向けて

科学分野:

• コンピュータサイエンス; 分散システム; 人工知能

背景:

• モノのインターネット（IoT）展開は、レイテンシ、コスト、リソース利用率の課題に直面しています。従来のオフロード戦略では、中間層やデバイスの移動性が無視されがちで、非効率につながります。動的なIoT環境でのリソース割り当てを最適化するための高度なフレームワークが必要です。

研究 の 目的:

• IoTオフロードの中間層としてPublic Edge as a Service (PEaaS)を提案し評価すること。PEaaSアーキテクチャのモデリングと評価のためのシミュレーションフレームワークRegionalEdgeSimPyを開発すること。レイテンシ、コスト、輻輳、エネルギーを考慮してタスクオフロード決定を最適化すること。

主な方法:

• PEaaSフレームワーク用のPythonシミュレータであるRegionalEdgeSimPyを開発しました。移動性と複数の入力パラメータを組み込んだProximal Policy Optimization (PPO)スケジューラを実装しました。インテリジェントなオフロード決定のために、アクションマスキングとマルチオブジェクト報酬関数を利用しました。スマートシティ環境で10から3000台のデバイスを使用してシミュレーションを実施しました。

主要な成果:

• PPOスケジューリングは、オーバーロードになるまでローカルエッジ処理を優先し、その後タスクをPEaaSに振り向けます。PEaaSはオフロードされたワークロードを効果的に処理し、クラウドリソースは最小限しか使用されません。平均利用率：エッジ（75.8％）、PEaaS（52.9％）、クラウド（1.2％未満）。

結論:

• PPOベースのPEaaSフレームワークは、IoT展開における遅延、コスト、タスク障害を大幅に削減します。提案されたシステムは、IoTビッグデータ処理における移動性に対応するためのスケーラビリティを向上させます。PEaaSは、分散IoTリソース管理のための中間層として効率的です。