[论文解读] 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 8

一句话总结

该论文提出了一种设备到设备（D2D）增强型移动边缘计算（MEC）系统的联合任务分配与资源分配框架，旨在最小化计算时延。通过建立混合整数非线性规划（MINLP）并利用凸松弛和次优任务分配求解，该方法相较于启发式和基准方案实现了显著的时延降低，尤其通过联合优化无线与计算资源实现。

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.

研究动机与目标

• 为应对5G及以后网络中由AR和自动驾驶等时延敏感型应用推动的对低时延、高能效计算的日益增长需求。
• 建立一个多辅助者D2D增强型MEC系统模型，其中附近设备作为本地用户的计算辅助者协同工作。
• 在个体能量和计算容量约束下，联合优化任务卸载、结果下载、计算频率以及时间/速率分配。
• 通过联合优化无线与计算资源分配，最小化总计算时延，克服由此产生的混合整数非线性规划（MINLP）的复杂性。

提出的方法

• 建立混合整数非线性规划（MINLP）以联合优化任务分配、时间/频率分配以及卸载和执行的计算频率。
• 利用拉格朗日对偶分解和Karush-Kuhn-Tucker（KKT）条件，将MINLP松弛为凸问题，以推导最优资源分配。
• 基于最优松弛解构建次优任务分配解，确保满足整数约束下的可行性。
• 利用Lambert W函数和计算时延函数的逆函数，推导出最优卸载时间、下载时间和计算时间的闭式表达式。
• 提出一种启发式贪心任务分配方案，以降低实现复杂度，并与最优方案和基准方案进行比较。
• 使用单纯形法求解所得线性规划（LP1），以确定任务在各辅助者之间的最优分配分布。

实验结果

研究问题

• RQ1 在D2D增强型多辅助者MEC系统中，如何联合优化任务分配与资源分配以最小化计算时延？
• RQ2 当辅助者具有有限能量和计算容量时，通信与计算资源之间的最优权衡是什么？
• RQ3 所提出的基于凸松弛的方法相较于启发式和非联合优化基准方案，在时延和能效方面表现如何？
• RQ4 与单独优化无线或计算资源相比，联合优化卸载、计算和下载对系统性能有何影响？
• RQ5 能否设计一种次优但高效的任务分配策略，在保持低复杂度的同时实现接近最优的时延？

主要发现

• 所提出的算法相较于启发式方案和未联合优化无线与计算资源的基准方案，实现了显著更低的计算时延。
• 基于凸松弛的次优任务分配解非常接近最优时延，证明了松弛方法的有效性。
• 数值结果验证了联合优化任务分配、卸载时间、下载时间和计算频率可带来显著的性能增益。
• 最优完成时间简化为 $ T^{\text{total}} = t_1^{\text{off}} + t_1^{\text{c}} + \sum_{k=1}^K t_k^{\text{dl}} $，表明系统时延主要由首个辅助者的卸载和计算时间以及总下载时间决定。
• Lambert W函数的使用使得最优时间和速率分配获得闭式解，提升了计算效率。
• 所提方法优于固定辅助者计算容量或忽略任务分配设计的方案，证明了联合优化的重要性。