[논문 리뷰] Joint Optimization of Service Caching Placement and Computation Offloading in Mobile Edge Computing Systems

Suzhi Bi, Liang Huang외 1명|arXiv (Cornell University)|2019. 06. 03.

IoT and Edge/Fog Computing참고 문헌 42인용 수 14

한 줄 요약

이 논문은 이동형 엣지 컴퓨팅(MEC) 시스템에서 이동 사용자(MU)의 계산 지연과 에너지 소비를 최소화하기 위해 서비스 캐싱 배치와 계산 오프로딩을 공동 최적화하는 프레임워크를 제안한다. 혼합정수비선형계획문(MINLP)을 수립하고 이를 등가의 0-1 정수선형계획문(ILP)으로 변환함으로써, 효율적인 계산 오프로딩 결정과 재사용 가능한 애플리케이션 프로그램의 동적 캐싱을 가능하게 하여 기준 대비 상당한 자원 절약을 달성한다.

ABSTRACT

In mobile edge computing (MEC) systems, edge service caching refers to pre-storing the necessary programs for executing computation tasks at MEC servers. At resource-constrained edge servers, service caching placement is in general a complicated problem that highly correlates to the offloading decisions of computation tasks. In this paper, we consider a single edge server that assists a mobile user (MU) in executing a sequence of computation tasks. In particular, the MU can run its customized programs at the edge server, while the server can selectively cache the previously generated programs for future service reuse. To minimize the computation delay and energy consumption of the MU, we formulate a mixed integer non-linear programming (MINLP) that jointly optimizes the service caching placement, computation offloading, and system resource allocation. We first derive the closed-form expressions of the optimal resource allocation, and subsequently transform the MINLP into an equivalent pure 0-1 integer linear programming (ILP). To further reduce the complexity in solving the ILP, we exploit the underlying structures in optimal solutions, and devise a reduced-complexity alternating minimization technique to update the caching placement and offloading decision alternately. Simulations show that the proposed techniques achieve substantial resource savings compared to other representative benchmark methods.

연구 동기 및 목표

• 이동형 엣지 컴퓨팅(MEC) 시스템에서 이동 사용자(MU)의 계산 지연과 에너지 소비를 최소화하기 위해.
• 서비스 캐싱 배치, 계산 오프로딩 결정, 시스템 자원 할당(예: CPU 주파수 및 전송 전력)을 공동으로 최적화하기 위해.
• 제한된 엣지 캐싱 공간 하에서 캐싱 결정과 오프로딩 선택 간의 상호의존성을 다루기 위해.
• 작업 의존성과 캐싱 인과성 구조를 활용한 저복잡도 솔루션을 개발하기 위해.
• 공동 최적화를 통해 기존 벤치마크 방법에 비해 자원 효율성을 높이기 위해.

제안 방법

• 캐싱, 오프로딩, 자원 할당 결정을 통합한 혼합정수비선형계획문(MINLP) 문제를 수립한다.
• 최적의 자원 할당(전송 전력, CPU 주파수)에 대한 폐쇄형 해를 유도하여 최적화를 단순화한다.
• 원래의 MINLP 문제를 해가 동일한 순수 0-1 정수선형계획문(ILP) 문제로 변환하여 해법의 타당성을 확보한다.
• 작업 의존성과 캐싱 인과성 제약 조건을 활용해 캐싱 배치와 오프로딩 결정을 반복적으로 갱신하는 저복잡도의 교대 최소화 알고리즘을 제안한다.
• 작업 시퀀스와 서비스 의존성의 구조적 특성을 활용하여 계산 복잡도를 감소시킨다.
• 캐싱 인과성 및 작업 의존성 모델 하에서 등가성과 제약 조건 충족을 증명함으로써 타당성과 최적성을 검증한다.

실험 결과

연구 질문

• RQ1 MEC 시스템에서 이동 사용자 지연과 에너지 소비를 최소화하기 위해 서비스 캐싱과 계산 오프로딩을 어떻게 공동 최적화할 수 있는가?
• RQ2 동적 캐싱 제약 조건 하에서 현지 실행, 엣지 오프로딩, 클라우드 오프로딩 간의 최적 트레이드오프는 무엇인가?
• RQ3 캐싱 결정과 오프로딩 선택 간의 상호의존성을 수학적으로 모델링하고 효율적으로 해결할 수 있는가?
• RQ4 작업 의존성과 캐싱 인과성이 저복잡도 최적화 알고리즘 설계에 미치는 영향은 무엇인가?
• RQ5 제안된 공동 최적화 방법은 전체 오프로딩 또는 현지 실행 대비 성능 및 자원 절약 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 공동 최적화 프레임워크는 기준 방법에 비해 이동 사용자 계산 지연과 에너지 소비를 상당히 감소시킨다.
• MINLP에서 등가의 0-1 ILP로의 변환을 통해 복잡한 최적화 문제의 효율적이고 확장 가능한 해법이 가능해진다.
• 저복잡도의 교대 최소화 알고리즘이 작업 의존성과 캐싱 인과성을 효과적으로 활용하여 계산 효율성을 향상시킨다.
• 최적의 자원 할당(전송 전력 및 CPU 주파수)에 대한 폐쇄형 해를 도출하여 분석적 최적화를 가능하게 한다.
• 증명을 통해 최적 해가 캐싱 인과성 및 작업 의존성 제약 조건 하에서도 타당성과 목적 함수 값을 유지함을 확인한다.
• 광범위한 시뮬레이션을 통해 제안된 방법이 자원 절약 및 성능 측면에서 기존 방법보다 뛰어남을 입증한다.