[论文解读] Cooperative Service Caching and Workload Scheduling in Mobile Edge Computing

Xiao Ma, Ao Zhou+2 more|arXiv (Cornell University)|Feb 4, 2020

IoT and Edge/Fog Computing参考文献 21被引用 7

一句话总结

本文提出ICE算法，一种结合吉布斯采样与水填法原理的迭代算法，用于在移动边缘计算中联合优化协作式服务缓存与工作负载调度。该算法通过利用边缘节点间的协作，最小化服务响应时间与外送流量，尽管其数学模型为非多项式混合整数非线性规划，仍实现了近似最优性能与多项式时间复杂度。

ABSTRACT

Mobile edge computing is beneficial to reduce service response time and core network traffic by pushing cloud functionalities to network edge. Equipped with storage and computation capacities, edge nodes can cache services of resource-intensive and delay-sensitive mobile applications and process the corresponding computation tasks without outsourcing to central clouds. However, the heterogeneity of edge resource capacities and inconsistence of edge storage and computation capacities make it difficult to jointly fully utilize the storage and computation capacities when there is no cooperation among edge nodes. To address this issue, we consider cooperation among edge nodes and investigate cooperative service caching and workload scheduling in mobile edge computing. This problem can be formulated as a mixed integer nonlinear programming problem, which has non-polynomial computation complexity. To overcome the challenges of subproblem coupling, computation-communication tradeoff, and edge node heterogeneity, we develop an iterative algorithm called ICE. This algorithm is designed based on Gibbs sampling, which has provably near-optimal results, and the idea of water filling, which has polynomial computation complexity. Simulations are conducted and the results demonstrate that our algorithm can jointly reduce the service response time and the outsourcing traffic compared with the benchmark algorithms.

研究动机与目标

• 为解决由于边缘节点间存储与计算能力异构性导致的边缘资源利用率低下问题。
• 通过协作式缓存与工作负载调度，联合最小化服务响应时间与外送至中心云的流量。
• 克服缓存与调度决策之间的耦合、计算-通信权衡以及边缘节点异构性带来的挑战。
• 设计一种低复杂度算法，针对计算复杂度高的混合整数非线性规划问题，实现近似最优性能。

提出的方法

• 将协作式服务缓存与工作负载调度问题建模为一个混合整数非线性规划（MINLP）问题，目标是最小化响应时间与外送流量。
• 基于吉布斯采样开发ICE算法，以随机方式探索解空间，实现近似最优性。
• 整合水填法原理，高效分配工作负载至边缘节点，确保计算复杂度为多项式时间。
• 采用马尔可夫链模型，其平稳分布与目标函数值的负指数成正比，从而实现对有前景缓存策略的概率采样。
• 在吉布斯采样过程中引入温度参数 ω 以控制探索程度，随着 ω 趋近于零，算法收敛至全局最优。
• 将工作负载调度子问题重新表述为关于工作负载分配矩阵 Λ 的凸优化问题，并通过海森矩阵分析证明其凸性。

实验结果

研究问题

• RQ1 如何利用边缘节点协作，在移动边缘计算中联合优化服务缓存与工作负载调度？
• RQ2 计算-通信权衡在协作式边缘环境中对响应时间与流量减少有何影响？
• RQ3 能否设计一种低复杂度算法，实现对NP难的MINLP形式化协作缓存与调度问题的近似最优性能？
• RQ4 存储与计算能力异构的边缘节点如何影响资源利用率与系统性能？

主要发现

• ICE算法在最小化服务响应时间与外送流量方面实现了近似最优性能，且随着温度参数 ω 趋近于零，算法收敛至全局最优。
• 仿真结果表明，与基准算法相比，ICE能更有效地联合降低服务响应时间与外送至中心云的流量。
• 工作负载调度子问题被证明为凸问题，确保对工作负载分配 Λ 的优化具有可计算性且全局最优。
• 吉布斯采样过程的平稳分布确保了随着 ω 减小，选择最优缓存策略的概率增加，验证了算法的收敛性。
• 将水填法与吉布斯采样相结合，实现了高效且多项式时间的计算，同时保持了解的质量。