A Double-Sided Walrasian Auction Mechanism for Decentralized Resource Allocation in Collaborative Multi-Access Edge Computing

In de onzichtbare laag van technologie die tussen onze smartphones en de enorme datacenters in de cloud zit, vindt een stille revolutie plaats. Deze laag, bekend als edge computing, brengt rekenkracht dichter bij de plek waar gegevens worden gegenereerd, zoals binnenin een auto of een sensor in een slimme stad. Het doel is om taken af te handelen die geen fractie van een seconde vertraging kunnen verdragen, zoals een autonoom voertuig dat remt voor een voetganger of een chirurg die een robotarm op kilometers afstand bestuurt. Echter, naarmate het aantal van deze apparaten explodeert, kampen de kleine computers aan de rand (the edge) met een crisis. Er wordt van hen gevraagd te veel werk te verrichten met te weinig vermogen, en de huidige methoden die worden gebruikt om te beslissen welk apparaat welke computermiddelen krijgt, worden te traag en te ingewikkeld om het tempo bij te houden.

Jarenlang hebben onderzoekers geprobeerd dit tekort aan middelen op te lossen met behulp van kunstmatige intelligentie. Deze systemen leren door middel van vallen en opstaan, waarbij ze voortdurend hun beslissingen aanpassen om de beste manier te vinden om rekenkracht te delen. Maar dit leerproces is zwaar. Het vereist enorme hoeveelheden tijd om de AI te trainen, verbruikt aanzienlijke hoeveelheden energie en faalt vaak wanneer de omgeving te snel verandert. In een wereld waarin een beslissing van een fractie van een seconde het verschil kan betekenen tussen veiligheid en een ramp, is wachten tot een computer het juiste antwoord heeft "geleerd" geen levensvatbare optie meer. De uitdaging is dan om een manier te vinden om deze schaarse computermiddelen direct, eerlijk en zonder de zware last van complexe machine learning toe te wijzen.

Een team van onderzoekers heeft een ander pad voorgesteld, een pad dat een eeuwenoud idee uit de economie leent in plaats van te vertrouwen op moderne kunstmatige intelligentie. Zij stellen voor om het netwerk van edge-servers en IoT-apparaten niet te behandelen als een technisch probleem dat door algoritmen moet worden opgelost, maar als een marktplaats. In dit visie zijn de apparaten die rekenkracht nodig hebben de kopers, en de servers die de kracht leveren de verkopers. Net zoals een boerenmarkt de prijzen aanpast op basis van hoeveel mensen appels willen en hoeveel appels er beschikbaar zijn, past dit nieuwe systeem de kosten van rekenkracht in realtime aan om vraag en aanbod in evenwicht te brengen.

De onderzoekers ontwikkelden een mechanisme genaamd een dubbelzijdige Walrasiaanse veiling. In dit systeem zendt een virtuele veilingmeester constant een prijs uit voor computermiddelen. De apparaten, die optreden als rationele kopers, beslissen hoeveel kracht ze bereid zijn te kopen tegen die prijs, gebaseerd op hoe urgent hun taak is. Een voertuig dat onmiddellijk moet stoppen, zal bereid zijn een hoge prijs te betalen, terwijl een apparaat dat een achtergrondupdate verzendt, zal wachten als de prijs te hoog is. Tegelijkertijd fungeren de servers als verkopers, die beslissen hoeveel kracht zij aanbieden op basis van de prijs die zij ontvangen en de energiekosten van het draaien van hun hardware. Als de prijs laag is, kan een server energie besparen door minder kracht aan te bieden; als de prijs hoog is, zal de server harder werken om winst te maken.

Door een proces van snelle prijsaanpassingen vindt het systeem van nature een punt waarop de totale hoeveelheid kracht die de apparaten willen kopen precies overeenkomt met de totale hoeveelheid kracht die de servers willen verkopen. Deze staat staat bekend als een marktevenwicht. De onderzoekers bewezen wiskundig dat deze aanpak leidt tot de meest efficiënte mogelijke distributie van middelen, waardoor de meest kritieke taken de kracht krijgen die ze nodig hebben, terwijl minder belangrijke taken wachten. In tegen tegenstelling tot de modellen van kunstmatige intelligentie die worstelen met plotselinge veranderingen, reageert dit economische model direct omdat het vertrouwt op eenvoudige, directe berekeningen in plaats van complexe leerpatronen.

Om te testen of dit idee in de echte wereld werkt, voerden het team simulaties uit met gegevens uit werkelijke voertuignetwerken, waarbij duizenden apparaten en diverse soorten servers betrokken waren. Ze vergeleken hun nieuwe veilingmethode met de leidende benadering van kunstmatige intelligentie, die gebruikmaakt van een techniek genaamd multi-agent deep reinforcement learning. De resultaten waren opmerkelijk. Het kunstmatige intelligentiemodel deed er enkele seconden over om een enkele beslissing te nemen wanneer het netwerk groot werd, een vertraging die fataal zou zijn voor een zelfrijdende auto. In contrast hiermee loste het veilingmechanisme de markt op en wijs de middelen toe in minder dan dertig milliseconden, zelfs bij het afhandelen van tienduizend apparaten. Dit vertegenwoordigt een snelheidsverbetering van duizend keer ten opzichte van de AI-methode.

Bovendien toonde de studie aan dat deze economische benadering niet alleen tijd bespaart, maar ook het algemene voordeel voor het systeem maximaliseert. Wanneer het netwerk overbelast is, filtert de veiling van nature minder urgente taken uit door ze uit de markt te prijzen, waardoor de beperkte rekenkracht naar de taken gaat die er het meest toe doen. Dit gebeurt zonder het energieverbruik van de servers te verhogen, die binnen hun fysieke limieten blijven. De onderzoekers ontdekten dat het systeem stabiel en efficiënt blijft, zelfs onder extreme druk, een conditie waarbij veel andere methoden de neiging hebben om in te storten.

Het werk suggereert dat de toekomst van het beheren van edge-netwerken wellicht niet meer krachtige kunstmatige intelligentie vereist, maar eerder een terugkeer naar fundamentele economische principes. Door de markt de waarde van rekenkracht in realtime te laten bepalen, bereikt het systeem een niveau van snelheid en betrouwbaarheid dat complexe leermodellen niet kunnen evenaren. Deze aanpak biedt een praktische oplossing voor de ultra-betrouwbare, lage-latentie communicatie die nodig is voor de volgende generatie slimme steden en autonome voertuigen, en bewijst dat de snelste manier om een technisch probleem op te lossen soms is om de markt te laten beslissen.