Планиране против стареене в опашки с един сървър: систематично и сравнително проучване, част 2
Jul 25, 2023
V. ПОЛИТИКИ, БАЗИРАНИ НА AOI
В раздел IV демонстрирахме, че политиките, базирани на размер, постигат по-добро средно представяне на AoI/PAoI, отколкото политиките, които не са базирани на размер. Въпреки това политиките, базирани на размера, не използват информацията за времето на пристигане, което също играе важна роля за намаляване на AoI. В този раздел предлагаме три g правила за планиране, базирани на AoI, които използват както размера на актуализацията, така и информацията за времето на пристигане, за да намалят AoI. Резултатите от нашите симулации показват, че тези базирани на AoI политики превъзхождат политиките, които не са базирани на AoI.
Гликозидът на цистанхе може също така да повиши активността на SOD в сърдечните и чернодробните тъкани и значително да намали съдържанието на липофусцин и MDA във всяка тъкан, като ефективно улавя различни реактивни кислородни радикали (OH-, H₂O₂ и др.) и предпазва от увреждане на ДНК, причинено от ОН-радикали. Cistanche phenylethanoid гликозидите имат силна способност за изчистване на свободните радикали, по-висока редуцираща способност от витамин С, подобряват активността на SOD в сперматозоидната суспензия, намаляват съдържанието на MDA и имат известен защитен ефект върху функцията на мембраната на спермата. Полизахаридите Cistanche могат да повишат активността на SOD и GSH-Px в еритроцитите и белодробните тъкани на експериментално стареещи мишки, причинени от D-галактоза, както и да намалят съдържанието на MDA и колаген в белите дробове и плазмата и да увеличат съдържанието на еластин, имат добър очистващ ефект върху DPPH, удължава времето на хипоксия при стареещи мишки, подобрява активността на SOD в серума и забавя физиологичната дегенерация на белия дроб при експериментално стареещи мишки. С клетъчна морфологична дегенерация експериментите показват, че Cistanche има добра антиоксидантна способност и има потенциала да бъде лекарство за предотвратяване и лечение на заболявания, свързани със стареенето на кожата. В същото време, ехинакозидът в Cistanche има значителна способност да пречиства DPPH свободните радикали и има способността да пречиства реактивните кислородни видове и да предотвратява индуцираното от свободните радикали разграждане на колагена, а също така има добър възстановителен ефект върху увреждането на анионите от свободните радикали на тимина.

Кликнете върху Cistanche Portugal
【За повече информация:george.deng@wecistanche.com / WhatApp:86 13632399501】
Започваме с дефинициите на три политики, базирани на AoI, които се опитват да оптимизират AoI в конкретен бъдещ момент от три различни гледни точки:
• AoI drop earliest (ADE): Когато сървърът се освободи, той избира да обслужва актуализация, така че след като бъде доставена, AoI да отпадне възможно най-скоро.
• AoI намалява до най-малкото (ADS): Когато сървърът се освободи, той избира да обслужва актуализация, така че след като бъде доставена, AoI пада до възможно най-малка стойност.
• AoI спада най-много (ADM): Когато сървърът се освободи, той избира да обслужва актуализация, така че след като бъде доставена, AoI пада възможно най-много.
Ако всички актуализации, чакащи в опашката, са остарели, тогава горните правила избират да обслужват актуализация с най-малък размер.
Въпреки че всички тези базирани на AoI политики са доста интуитивни, те се държат много различно. За да обясним разликите между тези политики, базирани на AoI, представяме пример на Фиг. 7, за да покажем как AoI се развива съгласно тези политики. Да предположим, че когато се обслужва (i-1)-вата актуализация, три нови актуализации (т.е. i-та, (i плюс 1)-ва и (i плюс 2) и актуализации) пристигат последователно в моменти ti, ti плюс 1 и ti плюс 2, съответно. Размерите на тези актуализации отговарят на S i < S i плюс 1 < S i плюс 2. Когато сървърът се освободи, след като приключи с обслужването на (i − 1)-вата актуализация в момент t I 0−1, ADE, ADS и ADM избират да обслужват съответно i-та, (i плюс 1)st и (i плюс 2) и актуализации. Това е така, защото обслужването на i-тата актуализация води до най-ранния спад на AoI в момент t I 0 (следвайки червената крива), обслужването на (i плюс 1)-вата актуализация води до спад на AoI до най-малкия в момент t I 0 плюс 1 (след синята крива) и обслужването на (i плюс 2) и актуализацията води до най-големия спад на AoI в момент t I {{20}} плюс 2 (след зелената крива). ADE, ADS и ADM имат за цел да оптимизират AoI в определен бъдещ момент от време (т.е. бъдещото време за доставка на избраната актуализация) с различни късогледи цели. Имайте предвид, че на пръв поглед ADS и ADM може да изглеждат еднакви. Наистина, те биха били еквивалентни, ако събитията от падането на AoI са се случили по едно и също време. Въпреки това, тези две политики са различни, тъй като моментите от време, в които AoI пада, не са непременно еднакви (напр. t I 0 плюс 1 срещу t I 0 плюс 2 на фиг. 7). Освен това ADE и SJF може да изглеждат еднакви на пръв поглед. Всъщност тези две политики ще вземат едно и също решение (т.е. ще изберат най-малката актуализация за обслужване), когато най-малката актуализация води до спад на AoI. Те обаче вземат различни решения, когато най-малката актуализация не води до спад на AoI. На фиг. 8 е даден пример, за да илюстрира ключовата разлика. На фиг. 8, след като (i − 1)-вата актуализация завърши услугата в момент t I 0−1, две актуализации чакат да бъдат обслужени: (n−2) и актуализацията и i-тата актуализация. Да предположим, че размерът на актуализацията и времето на пристигане на тези две актуализации удовлетворяват следното: S i−2 < SI и ti−2 < ti−1 < ti. ADE избира да обслужва i-тата актуализация, която води до по-ранен спад на AoI (вижте Фиг. 8(a)), докато SJF избира да обслужва (i − 2) и актуализация, която има по-малък размер (вижте Фиг. 8(b) ).

След това провеждаме обширни симулации, за да проучим ефективността на AoI на тези базирани на AoI политики. На Фиг. 9 представяме резултатите от симулацията на средната производителност на AoI на политиките, базирани на AoI, в сравнение с представителна политика, базирана на времето на пристигане (т.е. LCFS) и представителна политика, базирана на размера (т.е. SJF). Всички политики, разглеждани тук, не са превантивни; превантивните случаи ще бъдат разгледани в Раздел VI.
На фиг. 9(a) наблюдаваме, че повечето политики, базирани на AoI, са малко по-добри от политиките, които не са базирани на AoI, въпреки че техните показатели са много близки. Сред политиките, базирани на AoI, ADE е най-добрият, ADM е най-лошият, а ADS е по средата. Това не е изненадващо, че ADM е най-лошият: въпреки че ADM има най-голям спад на AoI, това е на цената, че може да се наложи да изчака, докато AoI първо стане голям. Тъй като ADE е най-добрият, предполага, че даването на по-висок приоритет на малки актуализации (така че AoI да падне възможно най-скоро) е добра стратегия. На фиг. 9(b) и 9(c), подобни наблюдения могат да бъдат направени за размера на актуализацията след разпределенията на Weibull.
Горните наблюдения водят до следната насока:
Насока 4. Използването както на размера на актуализацията, така и на информацията за времето на пристигане може допълнително да подобри производителността на AoI. Ползата обаче изглежда незначителна.

VI. ПРЕДВАРИТЕЛНИ, ИНФОРМАТИВНИ, БАЗИРАНИ НА AOI ПОЛИТИКИ
В раздел IV забелязахме, че превантивните политики имат няколко предимства и се представят по-добре от непревантивните политики. В този раздел първо демонстрираме, че политиките, които приоритизират информационните актуализации (т.е. тези, които могат да доведат до падане на AoI, след като бъдат доставени), работят по-добре от неинформативните политики. След това, чрез интегриране на насоките, които имаме, ние разглеждаме превантивни, информативни, базирани на AoI политики и оценяваме тяхното представяне чрез симулации.
А. Информационни политики
Що се отнася до API, има два вида актуализации: информативни актуализации и неинформативни актуализации [24]. Информационните актуализации водят до спадове на AoI, след като бъдат доставени, докато неинформативните актуализации не го правят. В някои приложения, като например автономни превозни средства и борсови котировки, е разумно да се отхвърлят неинформативни актуализации (които не помагат за намаляване на AoI, но могат да блокират нови актуализации). В този подраздел представяме „информативните“ версии на различни правила, които дават приоритет на информативните актуализации и отхвърлят неинформативните актуализации. След това използваме резултати от симулация, за да демонстрираме, че информационните политики обикновено имат по-добра средна ефективност на AoI/PAoI от оригиналните (неинформативни). Освен това, ние стриктно доказваме, че в G/M/1 опашка информативната версия на LCFS е стохастично по-добра от оригиналната LCFS политика.
Използваме π_I, за да обозначим информативната версия3 на политиката π. Всички политики за планиране, които разглеждаме, имат своите информативни версии. В някои случаи информативната версия е просто същата като оригиналната политика (напр. FCFS и LCFS_P).
3 За простота пропускаме допълнителното „_“ в името на политиката, ако политика π е превантивна политика, завършваща с „_P“. Например използваме LCFS_PI, за да обозначим информативната версия на LCFS_P.

На Фиг. 11 показваме резултатите от симулацията на средната производителност на AoI на няколко информативни политики в сравнение с техните неинформативни аналози. За да оценим ползата от информационните политики, ние начертаваме информативното увеличение на AoI, което е съотношението на разликата между средната AoI на неинформативната версия и информативната версия към средната AoI на неинформативната версия. Следователно по-голямата информативна печалба означава по-голяма полза от информативната версия. Едно важно наблюдение от фиг. 11 е следното.
Наблюдение 8.Информационните политики постигат по-добра средна производителност на AoI от техните неинформативни аналози. Информационната печалба е по-голяма за непревантивни политики и се увеличава с увеличаване на натоварването на системата.
Интуитивно се очаква информационните политики да надминат своите неинформативни аналози, тъй като обслужването на неинформативни актуализации не може да намали AoI, но може да блокира нови актуализации. Резултатите от симулацията потвърждават тази интуиция, тъй като информативното усилване на AoI винаги е неотрицателно. Второ, можем да видим, че повечето непревантивни политики (напр. RANDOM, LCFS и SJF) се възползват повече от приоритизирането на информационните актуализации. Трето, с увеличаването на натоварването на системата ρ, информативното усилване на AoI се увеличава при повечето разглеждани политики, особено тези, които не са превантивни. Това е така, защото с увеличаване на натоварването на системата, броят на неинформативните актуализации също се увеличава, което има по-голямо отрицателно въздействие върху производителността на AoI за непревантивни, неинформативни политики.

Наблюдение 8 води до следната насока:
Насока 5. Сървърът трябва да дава приоритет на информативните актуализации и да отхвърля неинформативните актуализации, когато това е разрешено.
Въз основа на Наблюдение 8, ние предполагаме, че информационната политика е най-малкото толкова добра, колкото и нейният неинформативен аналог. Като предварителен резултат ние доказваме, че това предположение наистина е вярно за LCFS в G/M/1 опашка. По-долу въвеждаме понятието за стохастично подреждане, което ще бъде използвано в изложението на предложение 1.
Определение 2. Стохастично подреждане на стохастични процеси [25, Ch.6.B.7]: Нека {X(t), t ∈ [0, ∞)} и {Y(t), t ∈ [{ {5}}, ∞)} са два стохастични процеса. Тогава се казва, че {X(t), t ∈ [0, ∞)} е стохастично по-малко от {Y(t), t ∈ [0, ∞)}, означено с {X (t), t ∈ [0, ∞)} По-малко или равно на st{Y(t), t ∈ [0, ∞)}, ако за всички избори на цяло число n и t1 < t2 < · · · < tn в [0, ∞), следното важи за всички горни множества4 SU ⊆ R n :

където X~ , (X(t1), X(t2), · · ·, X(tn)) и Y~ , (Y(t1), Y(t2), · · ·, Y(tn)). Стохастичното равенство може да се дефинира по подобен начин и се означава с {X(t), t ∈ [0, ∞)}=st{Y(t), t ∈ [0, ∞ )}.
Грубо казано, (2) предполага, че X~ е по-малко вероятно от Y~ да приема големи стойности, където „голямо“ означава всяка стойност в горен набор S U. Ние също използваме ∆π(t), за да обозначим процеса AoI под политика π. Освен това, ние дефинираме набор от параметри I={n, (ti) n i=1 }, където n е броят на актуализациите и ti е времето за генериране на актуализация i. Имайки тези дефиниции и обозначения, сега сме готови да изразим предложение 1.

Твърдение 1. В G/M/1 опашка, за всички I, AoI при LCFS_I е стохастично по-малък от този при LCFS, т.е. Доказателство. Спомнете си, че използваме ti и t I 0, за да обозначим съответно времето на пристигане и времето за доставка на i-тата актуализация. В допълнение, ние го използваме, за да обозначим началния час на услугата на i-тата актуализация.
![]()
Ние дефинираме състоянието на системата в момент t съгласно политика π като S π(t), Uπ(t), където Uπ (t) е най-голямото време на пристигане на актуализациите, които са били обслужвани съгласно политика π до време t. Нека {S π(t), t ∈ [0, ∞)} е процесът на състоянието при политика π. По дефиницията на AoI, (3) е валидно, ако е валидно следното:
![]()
След това доказваме (4) от противоречие чрез аргумент за свързване. Да предположим, че стохастичните процеси ˆS LCFS_I (t) и ˆS LCFS (t) имат същите стохастични закони като S LCFS_I (t) и S LCFS (t), съответно. Свързваме ˆS LCFS_I (t) и ˆS LCFS (t) по следния начин: Ако актуализация i се доставя при t I 0 в ˆS LCFS(t), тогава актуализацията j е обслужен в t I 0 (ако има такъв) в ˆS LCFS_I(t) също се доставя по същото време. Това свързване е разумно, защото: (i) Актуализациите, обслужвани в ˆS LCFS_I(t), не се избират въз основа на размера на актуализацията; (ii) времето за обслужване на актуализация както в ˆS LCFS_I (t), така и в ˆS LCFS (t) е експоненциално разпределено и има свойството без памет. Теорема 6.B.30 в [25], (4) е валидна, ако е валидно следното:

По-долу искаме да покажем, че ˆS LCFS{{0}}I (t) По-голямо от или равно на ˆS LCFS (t) е валидно условно за произволен примерен път I, което тривиално предполага (5). Доказваме го от противното. Заради противоречието, да предположим, че ˆS LCFS_I(t) < ˆS LCFS(t) наистина се случва и че се случва за първи път в момент t0 (виж Фиг. 13 за илюстрация ). Нека m и n са индексът на обслужваните актуализации с най-голямо време на пристигане от t0 в ˆS LCFS_I(t) и ˆS LCFS(t), съответно. Тогава имаме ULCFS_I(t{{10}})=tm и ULCFS(t0)=tn. Обърнете внимание, че имаме също tm < tn поради ˆS LCFS_I(t0) < ˆS LCFS(t0) (т.е. ULCFS_I(t{ {18}}) < ULCFS(t{{20}})). Тъй като t0 е първият път, когато ˆS LCFS_I(t) < ˆS LCFS(t) се случва, важно наблюдение е, че t0 трябва да бъде веднага след доставката на актуализация в ˆS LCFS(t). Следователно имаме t0=(t 0n) плюс, където (t 0n) плюс обозначава времето непосредствено след t 0n.
Поради свързването между ˆS LCFS(t) и ˆS LCFS{{0}}I(t), има два случая в ˆS LCFS_I(t): 1) Сървърът се празен ход при t 0n; 2) актуализация се доставя и при t 0n. Обсъждаме тези два случая поотделно и показваме, че има противоречие и в двата случая.
Случай 1): Сървърът в ˆS LCFS_I(t) е неактивен при t 0n (вижте Фиг. 13(a)). Тогава последната доставена актуализация в ˆS LCFS_I(t) (т.е. m-тата актуализация) трябва да бъде доставена преди t 0n. Следователно имаме t 0m < t 0n и че сървърът в ˆS LCFS_I(t) остава в неактивно състояние по време на (t 0m, t {{10}}n]. Тогава сървърът в ˆS LCFS_I(t) може да е започнал да обслужва по-нова актуализация, която пристига по-късно от m-тата актуализация веднага след t 0m. ( Такава по-нова актуализация трябва да съществува, тъй като n-тата актуализация е валиден кандидат поради tm < tn.) Това води до противоречие със сървъра, който е неактивен по време на (t'm, t'n ].

Случай 2): Доставя се актуализация при t 0n в ˆS LCFS_I(t). Тази доставена актуализация е месечната актуализация. Забележете, че трябва да имаме sm < tn. Това е така, защото ако sm е по-голямо или равно на tn, тогава сървърът в ˆS LCFS_I(t) би избрал да обслужва n-та актуализация или по-нова актуализация, която пристига по-късно от tn в момент sm, тъй като това е избрано актуализацията е по-нова (поради tm < tn). Има два подслучая за сървъра в ˆS LCFS(t) в момент sm: 2a) Неактивен; 2б) зает. Отново обсъждаме тези два подслучая поотделно и показваме, че има противоречие и в двата случая.
Случай 2a): Сървърът в ˆS LCFS(t) е неактивен в момент sm (вижте Фиг. 13(b)). В този случай m-тата актуализация трябва вече да е била доставена до време sm в ˆS LCFS(t). В противен случай сървърът в ˆS LCFS(t) би започнал да обслужва m-тата актуализация (или по-нова актуализация) на или преди sm. Това предполага, че ˆS LCFS_I(t) < ˆS LCFS(t) се случва преди sm, което води до противоречие с това, че t0 е първият момент, в който ˆS LCFS_ I(t) < ˆS LCFS(t) се случва.
Случай 2b): Сървърът в ˆS LCFS(t) е зает в момент sm (виж Фиг. 13(c)). Да приемем, че l-тата актуализация се обслужва в sm в ˆS LCFS(t). В този случай l-тата актуализация трябва да бъде доставена до време sn в ˆS LCFS(t). Това е така, защото n-тата актуализация стартира услугата при sn в ˆS LCFS(t). Тогава m-тата актуализация също трябва да бъде доставена до време sn в ˆS LCFS_I(t), поради свързването между ˆS LCFS(t) и ˆS LCFS_I(t). Това води до противоречие, че месечната актуализация се доставя в десет.
Комбинирайки всички случаи, ние показваме, че ˆS LCFS_I (t) По-голямо или равно на ˆS LCFS (t) е валидно условно за произволен примерен път I. Това тривиално предполага (5), което допълнително предполага (4 ) от теорема 6.B.30 в [25]. Това завършва доказателството.
B. Превантивни, информативни, базирани на AoI политики
Досега сме демонстрирали предимствата на превантивните политики, политиките, базирани на AoI, и информационните политики. В този подраздел искаме да интегрираме всички тези три идеи и да предложим превантивни, информативни, базирани на AoI политики.
Първо разглеждаме превантивна, информативна версия на три политики, базирани на AoI: ADE_PI, ADS_PI и ADM_PI. Интересното е, че можем да покажем еквивалентност между ADE_PI и SRPT_I (т.е. информативната версия на SRPT) и между ADE_I и SJF_I (т.е. , информативната версия на ADE и SJF, съответно) в смисъла на примерния път. Тези резултати са посочени в предложения 2 и 3.
Твърдение 2.ADE_PI и SRPT_I са еквивалентни във всеки примерен път.
Доказателство. Използваме силна индукция, за да докажем, че по един и същи примерен път, ADE_PI и SRPT_винаги избирам една и съща актуализация за показване по едно и също време. По-долу разглеждаме само информативни актуализации, тъй като неинформативните актуализации се отхвърлят както при ADE_PI, така и при SRPT_I.

Да предположим, че когато ADE_PI трябва да избере n-тата актуализация, която да обслужва в момент tADE_PI (n), той избира актуализацията с индекс dADE_PI (n). По подобен начин SRPT_I избира актуализацията с индекс dSRPT_I (n) като своя n-та актуализация, която да служи на tSRPT_I (n).
Искане: ADE_PI и SRPT_Винаги обслужвам една и съща актуализация по едно и също време, т.е. (dADE_PI(n), tADE_PI(n ))=(dSRPT_I(n), tSRPT_I(n)) за всички n.
Основен случай: Когато n=1, както ADE_PI, така и SRPT_обслужвам първата актуализация, когато пристигне. Следователно имаме (dADE_PI(1), tADE_PI(1))=(dSRPT_I(1), tSRPT_ I(1)).
Стъпка на индукция: Да предположим, че за n=k (k По-голямо или равно на 1), имаме (dADE_PI(m), tADE_PI(m)) {{ 4}} (dSRPT_I(m), tSRPT_I(m)) за m-тата актуализация за всички 1 По-малко или равно на m По-малко или равно на k. Искаме да покажем, че (dADE_PI(n), tADE_PI(n))=(dSRPT_I(n), tSRPT{{12} }I(n)) все още важи за n=k плюс 1. Обърнете внимание, че има два случая за (k плюс 1)-вото обновяване: 1) (k плюс 1)-вото обновяване изпреварва k-тото обновяване; 2) (k плюс 1)-вата актуализация не изпреварва k-тата актуализация, т.е. (k плюс 1)-вата актуализация стартира услугата от неактивно състояние или веднага след доставянето на k-тата актуализация. Обсъждаме тези два случая поотделно и показваме, че (dADE−PI(k плюс 1), tADE−PI(k плюс 1))=(dSRPT_I(k плюс 1), tSRPT{{ 26}}I(k плюс 1)) важи и в двата случая.
Случай 1): (k плюс 1)-вата актуализация изпреварва k-тата актуализация. По време на услугата на k-тата актуализация пристига (k плюс 1)-вата актуализация. При ADE_PI, за да накара AoI да падне възможно най-рано, сървърът сравнява оставащото време за обслужване на k-тата актуализация с първоначалното време за обслужване на (k плюс 1)-вата актуализация и избира да обслужва актуализацията с по-малко оставащо време за обслужване. Това е същото като това, което прави SRPT_I. Следователно имаме (dADE−PI(k плюс 1), tADE−PI(k плюс 1))=(dSRPT_I(k плюс 1), tSRPT_I( k плюс 1))
Случай 2): (k плюс 1)-вата актуализация не изпреварва k-тата актуализация. От една страна, ако (k плюс 1)-вата актуализация стартира услугата от неактивно състояние, тогава чрез индукционната хипотеза и ADE_PI, и SRPT_завършвам обслужването на k-тата актуализация в същото време и след това да преминете през период на бездействие. Следователно ADE_PI и SRPT_I също ще обслужват същата (k плюс 1) първа актуализация по едно и също време, т.е. (dADE−PI(k плюс 1), tADE−PI( k плюс 1))=(dSRPT_I(k плюс 1), tSRPT_I(k плюс 1)). От друга страна, ако (k плюс 1)-вата актуализация стартира услуга веднага след услугата на k-тата актуализация, тогава чрез индукционната хипотеза ADE_PI и SRPT_ще стартирам услугата на същото време, т.е. tADE_PI (k плюс 1) =tSRPT_I (k плюс 1). SRPT_Ще избера (k плюс 1)-вата актуализация с най-краткия оставащ размер. Тази избрана (k плюс 1)-ва актуализация обаче не трябва да е обслужвана преди. В противен случай тази актуализация вече не е информативна, тя беше изместена от друга актуализация. Така SRPT_I в крайна сметка избира актуализация с най-късия оригинален размер, който също ще бъде избран от ADE_PI. Това предполага dADE_PI (k плюс 1)=dSRPT_I (k плюс 1). Следователно имаме (dADE−PI(k плюс 1), tADE−PI(k плюс 1))=(dSRPT_I(k плюс 1), tSRPT_I( k плюс 1)).

Твърдение 3.ADE_I и SJF_I са еквивалентни във всеки примерен път.
Доказателство. Подобно на доказателството на твърдение 2, ние използваме силна индукция, за да покажем, че при един и същи примерен път ADE_I и SJF_I винаги избират една и съща актуализация, която да обслужва по едно и също време. Тук също разглеждаме само информативни актуализации.
Да предположим, че когато ADE_I трябва да избере n-тата актуализация, която да обслужва в момент tADE_I (n), той избира актуализацията с индекс dADE_I (n). По подобен начин SJF_I избира актуализацията с индекс dSJF_I (n) като своя n-та актуализация, която да служи на tSJF_I(n).
Твърдение: ADE_I и SJF_Винаги обслужвам една и съща актуализация по едно и също време, т.е. (dADE−I(n), tADE−I(n))=( dSJF−I(n), tSJF−I(n)) за всички n.
Основен случай: Когато n=1, както ADE_I, така и SJF_I обслужват първата актуализация, когато пристигне. Следователно имаме (dADE−I(1), tADE−I(1))=(dSJF−I(1), tSJF−I(1)).
Стъпка на индукция: Да предположим, че за n=k (k По-голямо или равно на 1), имаме dADE−I(m), tADE−I(m))=(dSJF−I(m ), tSJF−I(m)). за m-тата актуализация за 1 По-малко или равно на m По-малко или равно на k. Искаме да покажем, че dADE−I(n), tADE−I(n))=(dSJF−I(n), tSJF−I(n)) все още важи за n=k плюс 1. Обърнете внимание, че има два случая за (k плюс 1)-вата актуализация: 1) (k плюс 1)-вата актуализация стартира услугата от неактивно състояние; 2) (k плюс 1)-вата актуализация стартира услугата веднага след доставянето на k-тата актуализация. Обсъждаме тези два случая поотделно и показваме, че dADE−I(k плюс 1), tADE−I(k плюс 1))=(dSJF−I(k плюс 1), tSJF−I(k плюс 1) ) важи и в двата случая.
Случай 1): Първата (k плюс 1) актуализация стартира услугата от неактивно състояние. Според индукционната хипотеза и ADE_I, и SJF_I завършват обслужването на k-тата актуализация по едно и също време и след това преминават през период на неактивност. Следователно ADE_I и SJF_I също ще обслужват една и съща (k плюс 1) първа актуализация по едно и също време, т.е. dADE−I(k плюс 1), tADE−I(k плюс 1))=(dSJF−I(k плюс 1), tSJF−I(k плюс 1)).
Случай 2): (k плюс 1)-вата актуализация стартира услугата веднага след доставянето на k-тата актуализация. Съгласно индукционната хипотеза, ADE_I и SJF_I ще започнат обслужване по едно и също време, т.е. tADE_I (k плюс 1) =tSJF{{ 7}}I (k плюс 1). SJF_Ще избера (k плюс 1)-вата актуализация, която има най-малък размер на актуализацията, която също ще бъде избрана от ADE_Тъй като тази актуализация може да накара AoI да падне най-рано. Това предполага dADE_PI (k плюс 1)=dSJF_I (k плюс 1). Следователно имаме dADE−I(k плюс 1), tADE−I(k плюс 1))=(dSJF−I(k плюс 1), tSJF−I(k плюс 1)).

Твърдения 2 и 3 предполагат, че въпреки че SRPT_I и SJF_I не следват изрично дизайн, базиран на AoI, те по същество са политики, базирани на AoI. Това предоставя интуитивно обяснение защо базираните на размера политики, като варианти на SRPT и SJF, имат добра емпирична AoI производителност.
На Фиг. 14 представяме резултатите от симулацията за средната производителност на AoI на превантивните, информативни, базирани на AoI политики (ADE_PI) в сравнение с няколко други политики. Наблюдаваме, че в различни настройки, които разглеждаме, ADE_PI постига най-добра AoI производителност. Въпреки това, в сравнение с най-ефективните политики за забавяне (като SRPT), подобрението на AoI на превантивните, информативни и базирани на AoI политики е доста маргинално в настройките с екзогенни пристигания.
VII. ЗАКЛЮЧЕНИЕ
В този документ ние систематично проучихме въздействието на различни аспекти на политиките за планиране върху производителността на AoI и предоставихме няколко полезни насоки за проектиране на политики за планиране, ефективни за AoI. Нашето проучване разкрива, че измежду различните аспекти на политиките за планиране, които проучихме, приоритизирането на малки актуализации, позволяването на изпреварване на услугата и приоритизирането на информационните актуализации играят най-важната роля в дизайна на политиките за планиране на AoIefficient. Оказва се, че общи политики за планиране като SRPT и SJF_P и техните информативни варианти могат да постигнат много добра производителност на AoI, въпреки че те не вземат изрично решения за планиране въз основа на AoI. Това може частично да се обясни с еквивалентността между такива политики, базирани на размера, и някои политики, базирани на AoI. Освен това, когато изискването за AoI не е строго или информацията за размера на актуализацията не е налична, някои прости политики, ефективни от забавянето (като LCFS_P) също са добри кандидати за политики, ефективни от AoI.
Нашите открития повдигат и няколко интересни въпроса, които си струва да бъдат проучени като бъдеща работа. Една важна посока е да се преследват повече теоретични резултати извън резултатите от симулацията, които предоставихме в тази статия. Например, би било интересно да се види дали човек може строго да докаже, че всяка информационна политика винаги превъзхожда своя неинформативен двойник, което постоянно се наблюдава в резултатите от симулацията.
ПРИЛОЖЕНИЕ A ДОПЪЛНИТЕЛНИ РЕЗУЛТАТИ ОТ СИМУЛАЦИЯ ЗА ОПАШКАТА G/G/1
Представяме допълнителни резултати от симулация за опашката G/G/1 на фиг. 16–23. За всички тези симулации приемаме, че времето между пристигане следва разпределение на Weibull с C 2=10. В подфигура (a) приемаме, че размерът на актуализацията следва експоненциално разпределение със средно 1/µ=1; в подфигури (b) и (c) приемаме, че размерът на актуализацията следва разпределение на Weibull със средно 1/µ=1. Обърнете внимание, че в подфигури (a) и (b) променяме стойността на натоварването на системата ρ; в подфигура (c) променяме стойността на C 2 за размера на актуализацията, докато фиксираме натоварването на системата на ρ=0.7. Могат да се направят и наблюдения 1–8 за настройката на опашката G/G/1.
ПРЕПРАТКИ
[1] Z. Liu, L. Huang, B. Li и B. Ji, „График против стареене в опашки с един сървър: систематично и сравнително проучване,“ в Proc. INFOCOM WKSHPS, 2020 г.
[2] S. Kaul, R. Yates и M. Gruteser, „Състояние в реално време: Колко често трябва да се актуализира?“ в Proc. IEEE INFOCOM, 2012 г.
[3] S. Wu, X. Ren, S. Dey и L. Shi, „Оптимално планиране на множество сензори с ограничение на дължината на пакета,“ IFAC-PapersOnLine, vol. 50, бр. 1, стр. 14 430–14 435, юли 2017 г.
[4] M. Harchol-Balter, Моделиране на производителността и проектиране на компютърни системи: Теория на опашката в действие. Cambridge University Press, 2013 г.
[5] AM Bedewy, Y. Sun и NB Shroff, „Оптимизиране на свежестта на данните, пропускателната способност и забавянето в мулти-сървърни системи за актуализиране на информация,“ в Proc. IEEE ISIT, 2016 г.
[6] M. Costa, M. Codreanu и A. Ephremides, „Епохата на информацията с управление на пакети,“ в Proc. IEEE ISIT, 2014 г.
[7] N. Pappas, J. Gunnarsson, L. Kratz, M. Kountouris и V. Angelakis, „Възраст на информацията от множество източници с управление на опашка,“ в Proc. IEEE ICC, 2015 г.
[8] ME Crovella, R. Frangioso и M. Harchol-Balter, "График на връзката в уеб сървъри", Отдел по компютърни науки на Бостънския университет, Tech. Rep., 1999.
[9] L. Schrage, „Доказателство за оптималността на дисциплината за най-кратко оставащо време за обработка“, Operations Research, vol. 16, бр. 3, стр. 687–690, 1968.
[10] DR Smith, „Ново доказателство за оптималността на дисциплината за най-кратко оставащо време за обработка“, Operations Research, vol. 26, бр. 1, стр. 197–199, 1978.
[11] M. Harchol-Balter, „Queueing Disciplines“, Wiley Encyclopedia of Operations Research and Management Science, 2010 г.
[12] А. Коста, Н. Папас и В. Ангелакис, Ерата на информацията: нова концепция, метрика и инструмент, 2017 г.
[13] Y. Sun, I. Kadota, R. Talak и E. Modiano, Епоха на информацията: Нова метрика за свежест на информацията, 2019 г.
[14] M. Costa, M. Codreanu и A. Ephremides, „За възрастта на информацията в системите за актуализиране на състоянието с управление на пакети,“ IEEE Trans. Инф. Теория, кн. 62, бр. 4, стр. 1897–1910, април 2016 г.
[15] М. Молтафет, М. Лейнонен и М. Кодряну, „За възрастта на информацията в моделите за опашка с множество източници“, IEEE Trans. Commun., vol. 68, бр. 8, стр. 5003–5017, май 2020 г.
[16] SK Kaul, RD Yates и M. Gruteser, „Актуализации на състоянието чрез опашки,“ в Proc. CISS, 2012.
[17] C. Kam, S. Kompella и A. Ephremides, „Ефект от разнообразието при предаване на съобщения върху възрастта на статуса,“ в Proc. IEEE ISIT, 2014 г., стр. 2411–2415.
[18] E. Najm и E. Telatar, „Актуализации на състоянието в многопоточна m/g/1/1 превантивна опашка,“ в IEEE INFOCOM WKSHPS, 2018 г.
[19] Y. Inoue, H. Masuyama, T. Takine и T. Tanaka, „Обща формула за стационарното разпределение на възрастта на информацията и нейното приложение към опашки с един сървър“, arXiv preprint arXiv:1804.06139, 2018 г. .
[20] Р. Талак и Е. Модиано, „Компромиси със забавяне на стареенето в системи с един сървър“, препринт arXiv arXiv:1901.04167, 2019 г.
[21] R. Devassy, G. Durisi, GC Ferrante, O. Simeone и E. UysalBiyikoglu, „Вероятност за забавяне и нарушение на пиковата възраст при предавания на къси пакети,“ в Proc. IEEE ISIT, 2018 г.
[22] Z. Liu, L. Huang, B. Li и B. Ji, „График против стареене в опашки с един сървър: систематично и сравнително проучване“, arXiv e-prints, p. arXiv:2003.04271, октомври 2020 г.
[23] RD Yates и SK Kaul, „Епохата на информацията: Актуализиране на състоянието в реално време от множество източници“, IEEE Trans. Инф. Теория, кн. 65, бр. 3, стр. 1807–1827, март 2019 г.
[24] C. Kam, S. Kompella и A. Ephremides, „Възраст на информацията при случайни актуализации,“ в Proc. IEEE ISIT, 2013 г.
[25] M. Shaked и JG Shanthikumar, Стохастични поръчки. Springer Science & Business Media, 2007 г.



【За повече информация:george.deng@wecistanche.com / WhatApp:86 13632399501】






