[论文解读] Online Geographical Load Balancing for Mobile Edge Computing with Energy Harvesting

Jie Xu, Hang Wu+3 more|arXiv (Cornell University)|Apr 1, 2017

Energy Harvesting in Wireless Networks参考文献 29被引用 7

一句话总结

本文提出 GLOBE，一种用于能量采集移动边缘计算网络的在线、分布式地理负载均衡算法。通过利用扰动李雅普诺夫优化，GLOBE 在时间和空间上联合管理工作负载分配与能量约束，即使在未知未来动态的情况下，也能实现接近最优的性能并提供可证明的保证。

ABSTRACT

Mobile Edge Computing (MEC) (a.k.a. fog computing) has recently emerged to enable low-latency and location-aware data processing at the edge of mobile networks. Since providing grid power supply in support of MEC can be costly and even infeasible in some scenarios, on-site renewable energy is mandated as a major or even sole power supply. Nonetheless, the high intermittency and unpredictability of energy harvesting creates many new challenges of performing effective MEC. In this paper, we develop an algorithm called GLOBE that performs joint geographical load balancing (GLB) and admission control for optimizing the system performance of a network of MEC-enabled and energy harvesting-powered base stations. By leveraging and extending the Lyapunov optimization with perturbation technique, GLOBE operates online without requiring future system information and addresses significant challenges caused by battery state dynamics and energy causality constraints. Moreover, GLOBE works in a distributed manner, which makes our algorithm scalable to large networks. We prove that GLOBE achieves a close-to-optimal system performance compared to the offline algorithm that knows full future information, and present a critical tradeoff between battery capacity and system performance. Simulation results validate our analysis and demonstrate the superior performance of GLOBE compared to benchmark algorithms.

研究动机与目标

• 解决在移动边缘计算（MEC）网络中管理间歇性、不可预测可再生能源的挑战。
• 设计一种在线算法，在无需未来系统信息的情况下，实现联合的地理负载均衡（GLB）与准入控制。
• 克服能量因果性和电池状态动态在能量采集型 MEC 网络中引起的时间与空间耦合问题。
• 在相对于已知完整未来信息的离线最优算法下，实现接近最优的系统性能，并提供可证明的性能界。
• 通过一种分布式算法实现可扩展性与实际部署，使每个基站能够基于本地信息进行独立决策。

提出的方法

• 提出一种新颖的李雅普诺夫扰动技术以处理能量因果性约束，替代传统的虚拟队列方法。
• 通过带二次正则化的拉格朗日对偶分解，将联合时空优化问题分解为每时隙的子问题。
• 构建一个正则化二次规划（QP），以松弛单个基站的计算容量约束，从而支持分布式计算。
• 采用扰动电池队列模型，解耦时间耦合的能量约束，支持在线决策。
• 实现一种分布式算法，使每个基站仅使用本地信息和有限的基站间通信，求解本地优化问题。
• 将准入控制与能量采购决策整合到优化框架中，以最小化长期系统成本。

实验结果

研究问题

• RQ1 在缺乏未来系统信息的前提下，如何在由间歇性可再生能源供电的 MEC 网络中有效实现地理负载均衡？
• RQ2 在能量采集型 MEC 网络中，电池容量与系统性能之间的根本权衡是什么？
• RQ3 一种分布式、在线算法能否在遵守能量因果性和电池约束的前提下，实现接近最优的性能？
• RQ4 与集中式或短视基准方法相比，所提出的算法在系统成本与可扩展性方面表现如何？
• RQ5 基于电池状态的负载分配在多大程度上能提升系统韧性并减少对电网能源的采购？

主要发现

• 只要电池容量足够大，GLOBE 的系统成本与已知完整未来的最优离线算法之间的偏差即被有界控制。
• 理论上刻画了性能与电池容量之间的权衡关系，表明更大的电池可缩小与最优解的差距。
• 仿真结果表明，与非 GLB 及短视基准算法相比，GLOBE 显著降低了系统成本，尤其在工作负载强度与系统容量匹配时效果更显著。
• 分布式算法在 99.7% 的时隙中，其解与集中式最优解的误差在 0.5% 以内，最大误差不超过 3%。
• 工作负载并非平均分配；电池电量更高的基站承担更多负载，从而降低电池耗尽和电网能源采购的风险。
• 分布式算法的性能几乎与集中式版本完全一致，验证了其实际可行性与可扩展性。