[论文解读] Computation Rate Maximization for Wireless Powered Mobile-Edge Computing with Binary Computation Offloading

Suzhi Bi, Ying Jun|arXiv (Cornell University)|Aug 29, 2017

Energy Harvesting in Wireless NetworksEngineering被引用 21

一句话总结

该论文提出了一种联合优化框架，旨在最大化无线供电移动边缘计算网络中二值卸载场景下的计算速率，其中设备要么本地计算，要么将任务完全卸载至MEC服务器。该工作引入了两种算法——坐标下降法与基于ADMM的分解方法，实现了在时间、功率和计算模式上的高效资源分配，其中ADMM方法在大规模网络中表现出良好的可扩展性，并在仿真中达到近似最优性能。

ABSTRACT

In this paper, we consider a multi-user mobile edge computing (MEC) network powered by wireless power transfer (WPT), where each energy-harvesting WD follows a binary computation offloading policy, i.e., data set of a task has to be executed as a whole either locally or remotely at the MEC server via task offloading. In particular, we are interested in maximizing the (weighted) sum computation rate of all the WDs in the network by jointly optimizing the individual computing mode selection (i.e., local computing or offloading) and the system transmission time allocation (on WPT and task offloading). The major difficulty lies in the combinatorial nature of multi-user computing mode selection and its strong coupling with transmission time allocation. To tackle this problem, we first consider a decoupled optimization, where we assume that the mode selection is given and propose a simple bi-section search algorithm to obtain the conditional optimal time allocation. On top of that, a coordinate descent method is devised to optimize the mode selection. The method is simple in implementation but may suffer from high computational complexity in a large-size network. To address this problem, we further propose a joint optimization method based on the ADMM (alternating direction method of multipliers) decomposition technique, which enjoys much slower increase of computational complexity as the networks size increases. Extensive simulations show that both the proposed methods can efficiently achieve near-optimal performance under various network setups, and significantly outperform the other representative benchmark methods considered.

研究动机与目标

• 为解决物联网和无线传感器网络设备中有限电池寿命与低计算能力的双重限制。
• 在具有二值卸载的多用户无线供电MEC系统中，最大化加权和计算速率。
• 联合优化无线能量传输与卸载阶段的传输时间分配，以及计算模式选择（本地计算 vs. 卸载）。
• 设计低复杂度、可扩展的算法，以有效处理模式选择的组合性质及其与时间分配的耦合关系。
• 在多种网络配置下评估性能，并与基准方法进行对比。

提出的方法

• 提出一种解耦优化方法，首先固定计算模式选择，随后对特定模式下最优时间分配采用二分搜索法求解。
• 采用坐标下降法迭代优化模式选择，将条件最优时间分配作为子程序。
• 开发基于ADMM的联合优化方法，对问题进行分解，实现与网络规模N呈O(N)复杂度的可扩展计算。
• 利用拉格朗日松弛与对偶分解处理约束条件，通过次梯度法更新对偶变量ν。
• 基于拉格朗日函数的偏导数，推导出使用Lambert-W函数的最优时间分配闭式表达式。
• 通过求解唯一满足单调递减方程Q(ν*)=0的ν*，求解对偶问题，从而保证最优性。

实验结果

研究问题

• RQ1 在联合时间与模式优化下，如何最大化无线供电MEC网络中二值卸载场景下的计算速率？
• RQ2 当设备从射频信号中采集能量时，本地计算与卸载在能量与时延方面存在何种权衡？
• RQ3 在大规模网络中，如何高效管理多用户模式选择带来的组合复杂度？
• RQ4 与传统基准方法相比，所提算法在计算速率与可扩展性方面有何性能增益？
• RQ5 所提方法的计算复杂度随网络规模增加如何变化？

主要发现

• 坐标下降法（CD）虽可达到近似最优性能，但其计算复杂度高达O(N³)，因此在大规模网络中适用性较差。
• 基于ADMM的方法与网络规模呈线性关系，复杂度为O(N)，因此在大规模部署中更具效率。
• 在各种网络配置与信道条件下，两种所提算法在计算速率方面均显著优于基准方法。
• 基于ADMM的方法在保持高性能的同时，复杂度增长极为缓慢，因此特别适用于大规模物联网与密集无线传感器网络场景。
• 理论分析证实了最优对偶变量ν*的存在性与唯一性，确保了优化过程的收敛性。
• 仿真结果验证了所提算法的有效性，显示在加权和计算速率方面相比传统方案有显著提升。