[論文レビュー] Joint Subcarrier and CPU Time Allocation for Mobile Edge Computing

Yinghao Yu, Jun Zhang+1 more|arXiv (Cornell University)|Aug 22, 2016

IoT and Edge/Fog Computing参考文献 10被引用数 22

ひとこと要約

本稿では、OFDMAベースのクラウドレットシステムにおけるモバイルエッジコンピューティングのための、同時サブキャリアおよびCPU時間割り当てアルゴリズムを提案し、モバイルデバイスのエネルギー消費を最小化することを目的としている。無線および計算リソースの割り当てを連携させることで、個別リソース最適化に比べて著しく優れた性能を発揮し、エネルギー消費を最大50％削減するとともに、制限されたリソース下でもオフロードユーザー数をほぼ2倍に増加させることができる。

ABSTRACT

In mobile edge computing systems, mobile devices can offload compute-intensive tasks to a nearby cloudlet,so as to save energy and extend battery life. Unlike a fully-fledged cloud, a cloudlet is a small-scale datacenter deployed at a wireless access point, and thus is highly constrained by both radio and compute resources. We show in this paper that separately optimizing the allocation of either compute or radio resource, as most existing works did, is highly suboptimal: the congestion of compute resource leads to the waste of radio resource, and vice versa. To address this problem, we propose a joint scheduling algorithm that allocates both radio and compute resources coordinately. Specifically, we consider a cloudlet in an Orthogonal Frequency-Division Multiplexing Access (OFDMA) system with multiple mobile devices, where we study subcarrier allocation for task offloading and CPU time allocation for task execution in the cloudlet. Simulation results show that the proposed algorithm significantly outperforms per-resource optimization, accommodating more offloading requests while achieving salient energy saving.

研究の動機と目的

• 無線リソースまたは計算リソースを個別に最適化する従来手法の性能劣化を是正し、混雑によるリソースの無駄を解消すること。
• クラウドレットにおける限られた無線およびCPUリソースを共同で管理することで、モバイルエッジコンピューティングのエネルギー効率とシステム容量を向上させること。
• タスクオフロードのためのサブキャリア割り当てと可変長CPU時間スロット割り当てを連携させる近似的最適な共同スケジューリングアルゴリズムを開発すること。
• オフロードが顕著なエネルギー削減をもたらす場合、特にユーザーの多様性が高く、CPU能力が向上している状況では、連携リソース管理がより大きな利点をもたらすことを示すこと。

提案手法

• M台のモバイルユーザーとN個のサブキャリアを有するOFDMAシステムにおける集中型リソース割り当て問題を定式化し、上行伝送用にサブキャリアをユーザーに割り当てる。
• 制限されたCPU周波数f_cを有する小さなスケールのデータセンターとしてのクラウドレットをモデル化し、オフロードタスクに非プリエンプティブで可変長のCPU時間スロットを割り当てる。
• 総モバイルデバイスエネルギー消費を最小化するため、同時にサブキャリア割り当てとCPU時間割り当てを最適化する共同スケジューリングアルゴリズムを提案する。
• サブキャリア割り当てには最小グループ割り当て（MGA）を、CPUスケジューリングには動的計画法を用い、個別リソース最適化のベースラインとして採用する。
• シミュレーションで最適解を求めるために、全探索法を用いることで、提案アルゴリズムの性能をベンチマークする。
• 路損、Rayleigh fading、およびハードウェア制約（例：50 mWの回路消費電力、最大1 Wの送信電力）を考慮したシステムモデルを導入する。

実験結果

リサーチクエスチョン

• RQ1 個別リソース最適化（無線または計算リソースのみ）は、モバイルエッジコンピューティングにおいて共同リソース割り当てと比べて、どのようにシステム性能を劣化させるか？
• RQ2 個別最適化と比較して、共同サブキャリアおよびCPU時間割り当ては、モバイルデバイスのエネルギー消費をどの程度削減できるか？
• RQ3 クラウドレットのカバレッジ半径、CPU周波数、ユーザー数が変化する際、共同スケジューリングの性能向上はどのように変化するか？
• RQ4 ユーザーの多様性およびCPU能力は、共同リソース管理の有効性にどのような影響を及ぼすか？
• RQ5 どのような条件下で、共同スケジューリングが制約なし最適スケジューラーの性能に近づくか？

主な発見

• 共同割り当てにより、個別リソース最適化と比較してエネルギー消費を最大50％削減できる。これは、各個別最適化手法が近似的に最適であっても同様に成立する。
• CPU能力が制限されると、オフロードユーザー数はほぼ50％減少し、計算リソースの重要性が顕著に浮き彫りになる。
• クラウドレットのCPU周波数が800 MHzを超えると、小規模システム（例：3ユーザー）ではエネルギー削減が飽和するが、ユーザーの多様性が高くなる（例：7ユーザー）と、さらにエネルギー削減が継続的に向上する。
• CPU周波数が上昇するに従い、共同スケジューリングは個別リソース割り当てを著しく上回り、処理能力が高くなると最適性能に近づく。
• オフロードによるエネルギー削減が顕著な場合、共同および個別最適化の性能差が拡大するため、特に高いエネルギー削減が得られる状況で、共同管理の利点が顕著に現れる。
• クラウドレットのカバレッジ半径が大きくなると、路損の増加と送信距離の延長によりオフロードの利点が低下するため、密度の高いクラウドレットの展開が不可欠である。