[论文解读] Edge and Central Cloud Computing: A Perfect Pairing for High Energy Efficiency and Low-latency

Xiaoyan Hu, Lifeng Wang+4 more|arXiv (Cornell University)|Jun 23, 2018

Advanced MIMO Systems Optimization参考文献 42被引用 10

一句话总结

本文提出了一种在异构无线网络中联合优化边缘计算与中心云的框架，旨在最小化能耗的同时满足时延约束。通过采用分解与连续伪凸优化方法，协同协调云选择、发射功率、波束成形及协方差矩阵，该方案相比独立的边缘或云解决方案，在大规模MIMO回传条件下实现了显著的节能与时延降低。

ABSTRACT

In this paper, we study the coexistence and synergy between edge and central cloud computing in a heterogeneous cellular network (HetNet), which contains a multi-antenna macro base station (MBS), multiple multi-antenna small base stations (SBSs) and multiple single-antenna user equipment (UEs). The SBSs are empowered by edge clouds offering limited computing services for UEs, whereas the MBS provides high-performance central cloud computing services to UEs via a restricted multiple-input multiple-output (MIMO) backhaul to their associated SBSs. With processing latency constraints at the central and edge networks, we aim to minimize the system energy consumption used for task offloading and computation. The problem is formulated by jointly optimizing the cloud selection, the UEs' transmit powers, the SBSs' receive beamformers, and the SBSs' transmit covariance matrices, which is {a mixed-integer and non-convex optimization problem}. Based on methods such as decomposition approach and successive pseudoconvex approach, a tractable solution is proposed via an iterative algorithm. The simulation results show that our proposed solution can achieve great performance gain over conventional schemes using edge or central cloud alone. Also, with large-scale antennas at the MBS, the massive MIMO backhaul can significantly reduce the complexity of the proposed algorithm and obtain even better performance.

研究动机与目标

• 通过整合边缘与中心云资源，解决移动计算中能效与时延之间的权衡问题。
• 最小化异构无线网络（HetNet）中任务卸载与计算的系统级能耗。
• 在时延与容量约束下，联合优化云选择、发射功率、波束成形与协方差矩阵。
• 为混合整数非凸优化问题（源于混合边缘-中心云架构）提供可处理的解决方案。
• 评估所提出的共存模型相较于传统仅边缘或仅中心云方案的性能增益。

提出的方法

• 构建一个混合整数非凸优化问题，联合优化云选择、用户设备（UE）发射功率、小基站（SBS）接收波束成形器及SBS发射协方差矩阵。
• 采用分解方法对问题进行分解，并通过连续伪凸逼近法迭代求解，以处理非凸性。
• 应用拉格朗日对偶方法推导KKT条件并求解子问题，实现功率、波束成形与云分配变量的迭代更新。
• 利用宏基站（MBS）的大规模MIMO技术降低回传复杂度并提升性能。
• 通过KKT条件分析推导出解，基于三种情形（可行、功率受限、时延受限）给出最优功率的闭式表达式。
• 迭代算法收敛至一个次优解，可在整个HetNet中平衡能效与时延约束。

实验结果

研究问题

• RQ1 在具有时延约束的HetNet中，如何联合优化边缘与中心云计算以最小化能耗？
• RQ2 与独立的边缘或中心云卸载方案相比，混合边缘-中心云架构的性能增益如何？
• RQ3 在宏基站采用大规模MIMO时，其对联合优化框架的复杂度与性能有何影响？
• RQ4 在联合能效与时延约束下，最优的功率控制、波束成形与云选择策略是什么？
• RQ5 KKT条件与连续凸逼近方法如何使非凸优化问题获得可处理的解？

主要发现

• 所提出的联合边缘-中心云卸载方案在能效与时延降低方面相比传统仅边缘或仅中心云方案实现了显著性能增益。
• 在MBS采用大规模阵列天线时，大规模MIMO回传降低了算法复杂度并提升了系统性能，实现了更好的收敛性与更低的能耗。
• 基于连续伪凸逼近的迭代算法收敛至一个次优解，满足所有时延与功率约束，同时最小化总能耗。
• 基于KKT条件，推导出UE最优功率分配的三种不同情形：可行、功率受限与时延受限，每种情形均有闭式表达式。
• 仿真结果表明，混合架构在高计算负载场景与严格时延要求下，显著优于孤立的边缘或中心云解决方案。
• 该方法通过根据信道条件与资源可用性，动态选择每个任务的最优云（边缘或中心云），有效平衡了能效与低时延计算。