[논문 리뷰] Joint Subcarrier and CPU Time Allocation for Mobile Edge Computing

Yinghao Yu, Jun Zhang외 1명|arXiv (Cornell University)|2016. 08. 22.

IoT and Edge/Fog Computing참고 문헌 10인용 수 22

한 줄 요약

이 논문은 OFDMA 기반 클라우드릿 시스템에서 모바일 에지 컴퓨팅을 위한 공동 서브밴드 및 CPU 시간 할당 알고리즘을 제안하여 모바일 디바이스의 에너지 소비를 최소화한다. 무선 및 계산 자원 할당을 조율함으로써, 개별 자원 최적화에 비해 성능이 크게 향상되어 자원이 제한된 조건에서 에너지 소비를 최대 50% 감소시키고, 오프로드된 사용자 수를 거의 두 배로 늘릴 수 있다.

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.

연구 동기 및 목표

• 무선 또는 계산 자원을 별도로 최적화하는 기존 방법의 비최적 성능을 해결하여, 혼잡으로 인한 자원 낭비를 방지한다.
• 클라우드릿 내 제한된 무선 및 CPU 자원을 공동으로 관리하여 모바일 에지 컴퓨팅의 에너지 효율성과 시스템 용량을 향상시킨다.
• 작업 오프로딩을 위한 서브밴드 할당과 가변 길이 CPU 시간 슬롯 할당을 조율하는 근사 최적의 공동 스케줄링 알고리즘을 개발한다.
• 오프로딩이 상당한 에너지 절감을 제공할 경우, 특히 사용자 다양성이 높거나 CPU 성능이 높을 경우 공동 자원 관리가 더 큰 성과를 낼 수 있음을 입증한다.

제안 방법

• M개의 모바일 사용자와 N개의 서브밴드를 가진 OFDMA 시스템에서 중앙집중식 자원 할당 문제를 수립하며, 서브밴드는 업링크 전송을 위해 사용자에게 할당된다.
• 제한된 CPU 주파수 f_c를 가진 소규모 데이터센터로 구름릿을 모델링하고, 오프로드된 작업에 대해 비선점이며 가변 길이의 CPU 시간 슬롯을 할당한다.
• 총 모바일 디바이스 에너지 소비를 최소화하기 위해 서브밴드 할당과 CPU 시간 할당을 동시에 최적화하는 공동 스케줄링 알고리즘을 제안한다.
• 서브밴드 할당에는 최소 그룹 할당(MGA)을, CPU 스케줄링에는 동적 프로그래밍을 사용하여 개별 자원 최적화의 기준선으로 활용한다.
• 제안된 공동 알고리즘의 성능를 평가하기 위해 시뮬레이션에서 최적 해를 도출하기 위해 전수 검색을 활용한다.
• 경로 손실, Rayleigh fading, 하드웨어 제약(예: 50 mW 회로 전력, 최대 1 W 전송 전력)을 고려한 시스템 모델을 도입한다.

실험 결과

연구 질문

• RQ1 무선 또는 계산 자원만 최적화하는 개별 자원 최적화 방식은 공동 자원 할당에 비해 시스템 성능을 얼마나 떨어뜨리는가?
• RQ2 서브밴드 및 CPU 시간 할당을 공동으로 최적화할 경우, 별도 최적화에 비해 모바일 디바이스의 에너지 소비는 얼마나 감소하는가?
• RQ3 클라우드릿 커버리지 반경, CPU 주파수, 사용자 수가 증가함에 따라 공동 스케줄링의 성능 향상은 어떻게 변화하는가?
• RQ4 사용자 다양성과 CPU 능력은 공동 자원 관리의 효과성에 어떤 영향을 미치는가?
• RQ5 공동 스케줄링이 제약이 없는 최적 스케줄러 성능에 도달하는 조건은 무엇인가?

주요 결과

• 공동 할당은 각각의 개별 자원 최적화 방법이 근사 최적일지라도, 에너지 소비를 최대 50%까지 감소시킨다.
• CPU 성능이 제한될 경우 오프로드된 사용자 수는 거의 50% 감소하여 계산 자원이 핵심적인 역할을 함을 시사한다.
• 클라우드릿 CPU 주파수가 800 MHz를 초과하면 소규모 시스템(예: 3명의 사용자)에서는 에너지 절감이 포화 상태에 이르지만, 사용자 다양성이 높을 경우(예: 7명의 사용자)에는 계속 증가한다.
• CPU 주파수가 높아질수록 공동 스케줄링이 개별 자원 할당보다 더 뚜렷한 성능 향상을 보이며, 처리 성능이 높을수록 최적 성능에 가까워진다.
• 오프로딩이 상당한 에너지 절감을 제공할 경우, 공동 할당과 개별 할당 간 성능 격차가 커지며, 이는 고성능 시나리오에서 더 큰 이점을 제공함을 시사한다.
• 클라우드릿 커버리지 반경이 커질수록 경로 손실과 전송 거리 증가로 인해 오프로딩 이득이 감소하므로, 밀도 높은 클라우드릿 배치가 필요하다.