基于李雅普诺夫的三层边缘计算系统中智能精度与延迟权衡框架

《IEEE Systems Journal》：A Lyapunov-Based Framework for Smart Accuracy Latency Tradeoff in Three-Layer Edge Computing Systems

智能城市中基于机器学习的服务通过云-边协同架构实现性能-QoS权衡优化，提出三层系统架构并采用Lyapunov优化技术将长期问题转化为帧级问题，针对NP难问题设计TSMALE禁忌搜索算法，实验验证其近似解精度达0.923。

　　

摘要：

智慧城市及其相关应用整合了多种尖端技术，如机器学习（ML）和边缘计算（EC）。智慧城市中的ML驱动服务通常计算密集且对时间敏感。虽然EC作为传统云端用户架构的补充基础设施，提升了最终用户的服务质量（QoS），但依赖ML的服务的出现要求重新定义QoS，以纳入相关的ML性能指标。另一方面，EC服务器有限的计算能力使得这些QoS指标之间存在冲突。因此，在运行ML模型的系统成本与ML模型性能之间存在权衡。在本文中，我们提出了一种针对三层云-边缘-用户系统的有效卸载方案，旨在从长远角度优化性能与QoS之间的平衡，特别是对于依赖ML的服务，同时考虑系统的动态特性。通过利用李雅普诺夫优化技术，我们将卸载问题从长期视角转化为基于帧的问题。鉴于新的基于帧的问题属于NP难问题，我们引入了一种基于禁忌搜索的算法TSMALE来应对这一挑战。从分析上讲，我们证明所提出的TSMALE算法能够获得接近最优解的近似解，其精度约为0.923。

引言

智慧城市[1]作为一种提升公民生活质量的手段，引入了多种新的智能应用，例如智能车辆网络、智能停车系统和智能健康系统[1]。物联网（IoT）的最新进展极大地扩展了网络的连接范围，从计算机扩展到网络中的所有设备[1]、[2]、[3]、[4]、[5]。据思科公司[6]报告，到2030年，连接到互联网的用户数量将达到250亿到1250亿之间。每个用户都会产生大量数据，这些数据需要进行处理。将如此大量的数据发送到云服务器将给云服务器的入口端口带来巨大的流量负担。