DuetEdge:协调多ESP任务卸载中的服务延迟与资源消耗

《Computer Networks》:DuetEdge: Orchestrating service delay and resource consumption for multi-ESP task offloading

【字体: 大 中 小 】 时间:2026年09月21日 来源:Computer Networks 4.7

编辑推荐:

   •开发DuetEdge,用于多边缘服务提供商(ESP)任务卸载的服务-资源编排。•引入一种综合效用评分,平衡时延与资源消耗。•将服务-资源编排问题建模为NP-hard优化问题。•设计TempoRL,结合效用对齐的优先回放机制与注意力-LSTM对决式Q网络。•平均服务时延降低约

  
  • •
    开发DuetEdge,用于多边缘服务提供商(ESP)任务卸载的服务-资源编排。
  • •
    引入一种综合效用评分,平衡时延与资源消耗。
  • •
    将服务-资源编排问题建模为NP-hard优化问题。
  • •
    设计TempoRL,结合效用对齐的优先回放机制与注意力-LSTM对决式Q网络。
  • •
    平均服务时延降低约39%,资源使用降低约83%。

引言

边缘计算系统越来越贴近终端用户,支持异构和时延敏感型应用,例如增强现实[1]和自动驾驶[2],[3]。与云端执行相比,边缘设备通过将计算资源部署在靠近用户的位置来降低访问时延[4],[5]。然而,实际的边缘服务提供仍然受到有限且时变的基础设施资源约束[6],[7]。因此,边缘计算系统必须在动态的任务需求和不断演化的ESP状态之下,持续决策新到达任务应在何处执行。
一个关键难点在于,边缘任务流本质上是异构的。例如,数据密集型任务可能主要对无线传输施加压力,而计算密集型任务则可能迅速耗尽所选ESP的执行能力和能源[8]。因此,现代边缘环境必须管理具有不同数据量、计算强度和时序要求的任务流,使得在线任务卸载成为一个关键的系统问题。
因此,我们从服务-资源编排的角度,研究地理分布式多ESP环境中的跨多边缘服务提供商任务卸载问题。原因在于,此类系统中的有效卸载必须同时考虑短期任务服务时延和长期基础设施资源消耗。从任务角度看,时延敏感型应用需要及时获取资源以满足严格的时延要求,这自然地鼓励贪心地将任务卸载至当前具有吸引力的ESP。从基础设施角度看,ESP在计算和能源资源方面受到严格约束。当激进的负载推高至饱和时,资源争用和上下文切换开销会导致时延呈超线性增长,进而引发队列堆积、硬件疲劳以及更高的运维成本。1 因此,除了及时服务单个任务外,系统还必须调节资源使用,以维持长期的健康运行状态。
这两个目标本质上是耦合的,却常常被孤立地优化。仅关注时延的策略可能会迅速使部分ESP过载,并放大长期的基础设施压力;而仅关注资源的策略虽然能保持服务器更健康,却可能无法满足时延敏感型任务的严格时序要求。理想的决策因此在于即时任务响应性与演化中的基础设施状态之间的一种非平凡的权衡。这一观察促使我们将多ESP任务卸载建模为一个服务-资源编排问题。
然而,现有工作仍未能以整合的方式解决这种耦合关系。以时延为中心的方法主要优化服务时延或相关响应性指标[9],[10],但往往忽视了激进卸载对长期资源压力的累积影响。以基础设施为中心的方法强调资源利用率、能效和长期稳定性[11],[12],却可能牺牲时延敏感型任务的严格时序要求。部分研究尝试通过分阶段或基于优先级的策略来平衡这两个维度[13],但它们并未将其耦合关系显式建模为统一的优化目标。最近,深度强化学习(DRL)被引入用于从交互数据中学习卸载策略。然而,大多数基于DRL的方法仍然优化短视的时延或资源目标,并依赖通用的回放机制[14],[15],[16]。因此,它们并非显式地针对动态多ESP环境中任务级时延性能与基础设施资源状态的长期协同演化进行优化。
为了解决上述局限性,我们开发了DuetEdge——一个面向多ESP任务卸载的闭环服务-资源编排框架。DuetEdge致力于解决三个关键挑战:(1) 统一效用建模:如何构建一个可量化的目标,同时捕捉短期任务服务时延和长期基础设施资源消耗?(2) 可处理的在线优化:如何在随机任务到达和波动的ESP状态下近似求解由此产生的高维组合优化问题?(3) 时序决策学习:如何捕捉当前编排决策对未来负载演化和基础设施健康状况的长期影响?
为应对这些挑战,我们将序贯编排过程建模为马尔可夫决策过程(MDP),并基于综合效用评分和TempoRL设计DuetEdge。综合效用评分量化了编排决策中的服务-资源权衡,并作为序贯决策的奖励信号。在此基础上,TempoRL作为服务-资源编排问题的在线学习求解器,通过效用对齐的优先回放和基于注意力-长短期记忆(LSTM)对决式Q网络的时序依赖建模来提升决策质量。由此,DuetEdge通过同时考虑短期服务时延和长期资源消耗来编排多ESP任务卸载。
我们的主要贡献总结如下:
  • •
    我们从服务-资源编排的角度研究多ESP任务卸载,并开发了DuetEdge作为闭环编排框架。DuetEdge整合了任务侧异构性、ESP侧资源动态和在线决策控制,以共同调节短期服务时延和长期资源消耗。
  • •
    我们将服务-资源编排问题建模为关于服务时延和资源消耗的累积效用最大化问题,并从理论上证明其为NP-hard。
  • •
    我们设计了TempoRL——一个面向服务-资源编排问题的在线学习求解器。TempoRL通过效用对齐的优先回放以及捕捉序贯编排决策中时序依赖的注意力-LSTM对决式Q网络来提升决策质量。
  • •
    我们在多种边缘场景下进行了广泛评估,结果表明DuetEdge显著优于基线方法,在大规模边缘环境中平均服务时延和归一化资源消耗分别降低约39%和83%。
本文的其余部分组织如下。第2节综述边缘任务卸载的相关工作。第3节介绍DuetEdge的系统概述。第4节建立系统模型并形式化服务-资源编排问题。第5节介绍TempoRL的设计。第6节报告实验评估结果,第7节对全文进行总结。

章节摘要

相关工作

本节从优化目标和求解方法的角度综述边缘任务卸载的已有研究,并指出在动态多ESP环境中缺乏服务-资源编排视角的问题。

DuetEdge系统概述

图1展示了DuetEdge的系统级组织。它是一个面向多ESP任务卸载的闭环服务-资源编排框架,旨在在线运行并具备低决策开销。在功能上,DuetEdge由三个逻辑层组成。
用户层。用户层由异构智能终端组成,这些终端产生具有不同时延要求、计算强度和数据量的计算任务,并通过

系统建模与问题形式化

本节对DuetEdge中多ESP任务卸载提供了详细的建模,包括系统实体、卸载可行性、服务时延和资源消耗。在此基础上,我们形式化了服务-资源编排问题并进行了深入分析。

TempoRL设计

基于问题P,本节提出TempoRL——DuetEdge中一种具有时序感知的在线服务-资源编排求解器。通过将时序依赖建模与稳定的价值学习相结合,TempoRL与综合效用对齐,并从交互数据中学习高质量的编排决策。我们首先将问题形式化为MDP,然后介绍Q网络架构、训练流程和计算复杂度。

实验评估

在本节中,我们通过考察DuetEdge相对于代表性基线方法的表现、在不同系统规模和负载压力水平下的可扩展性,以及其对异构任务特性的鲁棒性,来评估DuetEdge在动态多ESP环境中是否能提供优越的服务-资源权衡。

结论

在本文中,我们从服务-资源编排的角度研究了动态多ESP边缘环境中的在线任务卸载问题。我们通过综合效用形式化了服务时延与资源消耗之间的耦合关系,并证明由此产生的编排问题为NP-hard。为在线求解该问题,我们开发了DuetEdge——一个闭环服务-资源编排框架,并设计了TempoRL——一种具有时序感知的深度强化学习求解器,采用效用对齐的优先回放

CRediT作者贡献声明

Xingrui Xie(谢兴瑞):写作—审阅与编辑、写作—初稿撰写、可视化、验证、方法论、数据整理、概念设计。Han Liu(刘涵):写作—审阅与编辑、可视化、方法论、形式化分析、数据整理、概念设计。Hanlong Liao(廖瀚龙):写作—审阅与编辑、可视化、验证、方法论、概念设计。Junxian Liu(刘俊贤):写作—审阅与编辑、监督指导、概念设计。Lailong Luo(罗赖龙):写作—审阅与编辑、可视化、监督指导,

利益冲突声明

作者声明,不存在可能影响本文所报告工作的已知竞争财务利益或个人关系。

致谢

本工作受国家自然科学基金资助,资助编号为U23B2004、62302510和62402508。同时受湖南省杰出青年自然科学基金资助,资助编号为2023JJ20055。
Xingrui Xie|Han Liu|Hanlong Liao|Junxian Liu|Lailong Luo|Deke Guo
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号