[論文レビュー] Joint Task Assignment and Resource Allocation for D2D-Enabled Mobile-Edge Computing

Hong Xing, Liang Liu+2 more|arXiv (Cornell University)|Feb 26, 2019

IoT and Edge/Fog Computing参考文献 24被引用数 8

ひとこと要約

本稿は、計算遅延を最小化することを目的とした、デバイス・ツー・デバイス（D2D）対応モバイルエッジコンピューティング（MEC）システムにおけるジョイントタスク割り当ておよびリソース割り当てフレームワークを提案する。混合整数非線形計画問題（MINLP）を定式化し、凸緩和と部分最適なタスク割り当てを用いて解くことで、ヒューリスティック法およびベンチマーク手法と比較して顕著な遅延低減を達成した。特に、無線リソースと計算リソースの共同最適化によって実現された。

ABSTRACT

With the proliferation of computation-extensive and latency-critical applications in the 5G and beyond networks, mobile-edge computing (MEC) or fog computing, which provides cloud-like computation and/or storage capabilities at the network edge, is envisioned to reduce computation latency as well as to conserve energy for wireless devices (WDs). This paper studies a novel device-to-device (D2D)-enabled multi-helper MEC system, in which a local user solicits its nearby WDs serving as helpers for cooperative computation. We assume a time division multiple access (TDMA) transmission protocol, under which the local user offloads the tasks to multiple helpers and downloads the results from them over orthogonal pre-scheduled time slots. Under this setup, we minimize the computation latency by optimizing the local user's task assignment jointly with the time and rate for task offloading and results downloading, as well as the computation frequency for task execution, subject to individual energy and computation capacity constraints at the local user and the helpers. However, the formulated problem is a mixed-integer non-linear program (MINLP) that is difficult to solve. To tackle this challenge, we propose an efficient algorithm by first relaxing the original problem into a convex one, and then constructing a suboptimal task assignment solution based on the obtained optimal one. Next, we consider a benchmark scheme that endows the WDs with their maximum computation capacities. To further reduce the implementation complexity, we also develop a heuristic scheme based on the greedy task assignment. Finally, numerical results validate the effectiveness of our proposed algorithm, as compared against the heuristic scheme and other benchmark ones without either joint optimization of radio and computation resources or task assignment design.

研究の動機と目的

• 5G以降のネットワークにおける低遅延かつ高エネルギー効率な計算ニーズを満たすために、AR や自動運転などの遅延に敏感なアプリケーションがその要請を高めていることに対応すること。
• 近くのデバイスがローカルユーザーの計算ヘルパーとして協力するマルチヘルパー型D2D対応MECシステムをモデル化すること。
• 個々のエネルギーおよび計算能力制約のもとで、タスクオフロード、結果のダウンロード、計算周波数、および時間/レート割り当てを共同最適化すること。
• 得られる混合整数非線形計画問題（MINLP）の複雑さを克服し、無線および計算リソースの共同割り当てによって総合的な計算遅延を最小化すること。

提案手法

• タスク割り当て、時間/周波数割り当て、およびオフロードおよび実行のための計算周波数を共同最適化するため、混合整数非線形計画問題（MINLP）を定式化する。
• ラグランジュ双対分解およびカーシュ＝クーン＝タッカー（KKT）条件を用いてMINLPを凸問題に緩和し、最適なリソース割り当てを導出する。
• 整数制約のもとでの実行可能性を保証するため、最適な緩和解に基づいて部分最適なタスク割り当て解を構築する。
• ラムゼット・ワイ関数および計算遅延関数の逆関数を用いて、最適なオフロード時間、ダウンロード時間、および計算時間の閉形式表現を導出する。
• 実装の複雑さを低減するため、ヒューリスティックなグリーディタスク割り当て方式を提案し、最適およびベンチマーク手法と比較する。
• 最適なタスク割り当て分布を決定するために、単体法を用いて得られた線形計画問題（LP1）を解く。

実験結果

リサーチクエスチョン

• RQ1 D2D対応マルチヘルパー型MECシステムにおいて、タスク割り当てとリソース割り当てをどのように共同最適化することで計算遅延を最小化できるか？
• RQ2 ヘルパーが限られたエネルギーおよび計算能力を有する場合、通信リソースと計算リソースの最適なトレードオフは何か？
• RQ3 凸緩和に基づくアプローチは、ヒューリスティック法および非共同最適化ベンチマークと比較して、遅延およびエネルギー効率の面でどのように異なるか？
• RQ4 オフロード、計算、およびダウンロードの共同最適化は、無線リソースまたは計算リソースを別々に最適化する場合と比較して、システム性能にどのような影響を与えるか？
• RQ5 低複雑性を維持しながらほぼ最適な遅延を達成できる、部分最適だが効率的なタスク割り当て戦略を設計できるか？

主な発見

• 提案手法は、無線および計算リソースを共同最適化しないヒューリスティック法およびベンチマーク手法と比較して、顕著に低い計算遅延を達成した。
• 凸緩和に基づく部分最適なタスク割り当て解は、最適遅延に非常に近い結果を示し、緩和手法の有効性を実証した。
• 数値結果により、タスク割り当て、オフロード時間、ダウンロード時間、および計算周波数の共同最適化が顕著な性能向上をもたらすことが検証された。
• 最適完了時間は $ T^{\text{total}} = t_1^{\text{off}} + t_1^{\text{c}} + \sum_{k=1}^K t_k^{\text{dl}} $ に簡略化され、システム遅延が最初のヘルパーのオフロードおよび計算時間に加え、全ダウンロード時間によって支配されることを示している。
• ラムゼット・ワイ関数の使用により、最適な時間およびレート割り当ての閉形式解が得られ、計算効率が向上した。
• 提案手法は、ヘルパーの計算能力を固定するか、タスク割り当て設計を無視する手法よりも優れており、共同最適化の重要性を裏付けた。