Предоставление периферийных сервисов при ограниченном бюджете с оценкой спроса посредством обучения на основе бандитных алгоритмов

Совместно используемые 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, то есть развертывание приложения на всех возможных периферийных площадках, всегда является предпочтительным, оно непрактично из-за часто ограниченного операционного бюджета ASP. В этом случае ASP должен тщательно определить, где развернуть периферийный сервис и какую часть бюджета выделить. Основная проблема заключается в том, что спрос на сервис, поступающий от каждой периферийной площадки и являющийся ключевым фактором выгоды от развертывания, заранее неизвестен ASP. Более того, характер этого спроса изменяется во времени и пространстве на географически распределенных периферийных площадках. В данной статье исследуется задача аренды периферийных ресурсов, в рамках которой ASP изучает закономерности спроса на сервис для отдельных периферийных площадок, одновременно арендуя на них вычислительные ресурсы для размещения приложений и предоставления периферийных сервисов. Предлагается онлайн-алгоритм Context-aware Online Edge Resource Rental (COERR), основанный на структуре 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 объем арендуемых ресурсов, чтобы максимизировать полезность ASP при ограниченном бюджете. Алгоритм COERR обладает доказуемыми характеристиками эффективности и обеспечивает сублинейное сожаление по сравнению с оракульным алгоритмом, которому точно известен ожидаемый спрос на сервис на периферийных площадках. Эксперименты, проведенные на наборе данных реального мира, показывают, что COERR значительно превосходит другие эталонные методы.