Предоставление периферийных сервисов с ограниченным бюджетом и оценкой спроса посредством бандитного обучения

Общие платформы периферийных вычислений, позволяющие поставщикам прикладных сервисов (Application Service Providers, ASP) развертывать приложения в непосредственной близости от мобильных пользователей, обеспечивают сверхнизкую задержку и учет местоположения для широкого спектра сервисов. Хотя повсеместное предоставление периферийных сервисов — развертывание приложения на всех возможных периферийных площадках — всегда предпочтительно, на практике оно невозможно из-за часто ограниченного эксплуатационного бюджета ASP. Поэтому ASP должен тщательно определять, где развертывать периферийный сервис и какую часть бюджета выделять. Ключевая проблема заключается в том, что спрос на сервис на каждой периферийной площадке, являющийся основным фактором выгоды от развертывания, заранее неизвестен ASP. Кроме того, характер этого спроса изменяется во времени и пространстве на географически распределенных периферийных площадках. В данной работе исследуется задача аренды периферийных ресурсов, в которой ASP изучает закономерности спроса на сервис для отдельных периферийных площадок, одновременно арендуя на них вычислительные ресурсы для размещения приложений и предоставления периферийных сервисов. Предложен онлайн-алгоритм Context-aware Online Edge Resource Rental (COERR), основанный на фреймворке контекстного комбинаторного многорукого бандита (Contextual Combinatorial Multi-Armed Bandit, CC-MAB). COERR использует дополнительную информацию (контекст) для изучения закономерностей спроса на периферийных площадках и принимает решения об аренде, включая выбор площадок и объема арендуемых ресурсов, чтобы максимизировать полезность ASP при ограниченном бюджете. Для COERR доказана оценка эффективности: алгоритм имеет сублинейное сожаление по сравнению с оракульным алгоритмом, точно знающим ожидаемый спрос на сервис на каждой периферийной площадке. Эксперименты, проведенные на реальном наборе данных, показывают, что COERR значительно превосходит другие эталонные методы.