[论文解读] Decentralized Computation Offloading and Resource Allocation in Heterogeneous Networks with Mobile Edge Computing

Quoc‐Viet Pham, Tuan LeAnh+2 more|arXiv (Cornell University)|Mar 2, 2018

IoT and Edge/Fog Computing参考文献 21被引用 15

一句话总结

该论文提出了一种用于异构网络中移动边缘计算（MEC）的去中心化计算卸载与资源分配框架，结合匹配理论与优化技术，以最小化系统整体计算开销。即使在严重的小区间干扰条件下，该方法仍能实现接近最优的性能，与启发式基准相比仅存在8.86%的差距。

ABSTRACT

We consider a heterogeneous network with mobile edge computing, where a user can offload its computation to one among multiple servers. In particular, we minimize the system-wide computation overhead by jointly optimizing the individual computation decisions, transmit power of the users, and computation resource at the servers. The crux of the problem lies in the combinatorial nature of multi-user offloading decisions, the complexity of the optimization objective, and the existence of inter-cell interference. Then, we decompose the underlying problem into two subproblems: i) the offloading decision, which includes two phases of user association and subchannel assignment, and ii) joint resource allocation, which can be further decomposed into the problems of transmit power and computation resource allocation. To enable distributed computation offloading, we sequentially apply a many-to-one matching game for user association and a one-to-one matching game for subchannel assignment. Moreover, the transmit power of offloading users is found using a bisection method with approximate inter-cell interference, and the computation resources allocated to offloading users is achieved via the duality approach. The proposed algorithm is shown to converge and is stable. Finally, we provide simulations to validate the performance of the proposed algorithm as well as comparisons with the existing frameworks.

研究动机与目标

• 通过利用移动边缘计算（MEC）支持实时、低延迟应用，解决移动云环境中高延迟与能效低下的挑战。
• 通过在异构网络（HetNets）中实现去中心化的计算卸载与资源分配，克服集中式MEC框架的局限性。
• 联合优化用户卸载决策、传输功率与计算资源分配，同时处理小区间干扰与组合式卸载复杂性。
• 设计一种可扩展的分布式算法，确保在动态、多服务器MEC环境中的收敛性与稳定性。

提出的方法

• 将联合优化问题分解为两个子问题：(1) 通过多对一匹配博弈实现用户关联与子信道分配，(2) 传输功率与计算资源分配。
• 采用二分法结合近似小区间干扰模型，计算卸载用户的最优传输功率。
• 利用对偶方法根据用户需求与服务器能力分配MEC服务器上的计算资源。
• 实施顺序匹配框架：首先进行多对一匹配以实现用户与MEC服务器的关联，随后进行一对一匹配以实现子信道分配。
• 通过带反馈机制的迭代匹配与资源调整，确保算法的收敛性与稳定性。
• 集成干扰感知的功率控制与资源分配机制，以在高干扰条件下维持性能。

实验结果

研究问题

• RQ1 在具有多服务器与小区间干扰的异构MEC网络中，如何实现计算卸载与资源分配的去中心化联合优化？
• RQ2 何种基于匹配的方法能够实现稳定且收敛的用户关联与子信道分配，同时最小化系统整体计算开销？
• RQ3 小区间干扰如何影响全量卸载的效率？何种资源分配策略可缓解其负面影响？
• RQ4 在不同传输功率与服务器计算能力条件下，所提出的去中心化算法在多大程度上接近集中式最优框架的性能？

主要发现

• 当最大传输功率为0.55 W时，所提算法将系统整体计算开销降低至17.9，且卸载速率与性能达到饱和。
• 随着MEC服务器计算能力从0.5 GHz提升至4 GHz，卸载用户比例单调上升，其中0.5 GHz至1.0 GHz区间获得最大增益。
• 在3.5 GHz的MEC服务器能力下，所提算法实现的总计算开销为63.579，与最优hJTORA启发式算法相比仅相差8.86%。
• 在高小区间干扰条件下，全量卸载效率低下，表现为卸载速率低与传输延迟增加，尤其对信道条件差的用户影响显著。
• 去中心化框架在干扰密集环境中保持了稳定性与收敛性，优于仅本地处理与全量卸载方案。
• 随着服务器能力的提升，所提方法与最优启发式算法之间的性能差距逐渐缩小，表明其具备良好的可扩展性与鲁棒性。