[论文解读] Heterogeneous Services Provisioning in Small Cell Networks with Cache and Mobile Edge Computing

Zhiyuan Tan, F. Richard Yu+3 more|arXiv (Cornell University)|Jun 29, 2017

Advanced Wireless Communication Technologies参考文献 4被引用 4

一句话总结

本文提出了一种集成缓存与移动边缘计算（MEC）的虚拟化全双工小基站网络，以联合优化用户关联、功率控制、缓存和计算卸载，服务于两类异构业务：高数据速率和计算敏感型业务。通过将非凸问题重构为凸问题，并采用ADMM进行分布式优化，该方案相比基准方案显著提升了系统效用，并降低了回传与能耗成本。

ABSTRACT

In the area of full duplex (FD)-enabled small cell networks, limited works have been done on consideration of cache and mobile edge communication (MEC). In this paper, a virtual FD-enabled small cell network with cache and MEC is investigated for two heterogeneous services, high-data-rate service and computation-sensitive service. In our proposed scheme, content caching and FD communication are closely combined to offer high-data-rate services without the cost of backhaul resource. Computing offloading is conducted to guarantee the delay requirement of users. Then we formulate a virtual resource allocation problem, in which user association, power control, caching and computing offloading policies and resource allocation are jointly considered. Since the original problem is a mixed combinatorial problem, necessary variables relaxation and reformulation are conducted to transfer the original problem to a convex problem. Furthermore, alternating direction method of multipliers (ADMM) algorithm is adopted to obtain the optimal solution. Finally, extensive simulations are conducted with different system configurations to verify the effectiveness of the proposed scheme.

研究动机与目标

• 为解决在有限频谱与回传资源条件下，小基站网络中满足多样化QoE需求的挑战。
• 在虚拟化框架中集成全双工通信、缓存与MEC，以提升资源利用效率与服务质量。
• 在异构业务需求下，联合优化用户关联、功率控制、缓存、计算卸载与资源分配。
• 通过变量松弛与ADMM方法，为非凸联合优化问题设计低复杂度的分布式解决方案。

提出的方法

• 构建一个联合考虑用户关联、功率控制、缓存、计算卸载与资源分配的虚拟资源分配问题。
• 对混合整数非凸问题进行松弛与重构，转化为凸形式，以实现高效优化。
• 采用交替方向乘子法（ADMM）以分布式方式求解凸问题，计算复杂度低。
• 利用网络功能虚拟化（NFV）实现多个MVNO与服务之间物理基础设施的灵活与动态共享。
• 采用全双工通信技术，在同一频段上同时进行发送与接收，降低对回传的依赖。
• 在小基站（SBS）上集成内容缓存与MEC，以本地化服务高数据速率与计算密集型业务。

实验结果

研究问题

• RQ1 如何联合利用缓存与全双工通信，以减少小基站网络中的回传资源消耗？
• RQ2 在异构业务环境中，用户关联、功率控制、缓存与计算卸载的最优联合策略是什么？
• RQ3 如何将非凸联合优化问题转化为凸问题，以实现可解的求解？
• RQ4 在虚拟化小基站框架中，通过集成缓存、MEC与全双工通信可实现哪些性能增益？

主要发现

• 所提方案在用户数量增加时，系统效用显著高于仅使用全双工通信或仅使用缓存的方案。
• 系统效用随用户对数与SBS数量增加而提升，但受带宽与功率等资源限制，增长速率逐渐放缓。
• 该方案通过有效结合回传节省与低时延计算，优于仅全双工方案（方案1）与仅缓存方案（方案2）。
• 随着SBS数量增加，仅缓存方案（方案2）因本地内容交付能力增强，最终超越仅全双工方案（方案1）。
• 基于ADMM的分布式算法以低复杂度收敛至最优解，具备实际部署可行性。
• 通过缓存与全双工传输最小化回传使用，显著降低系统成本，尤其对高数据速率业务效果显著。