[论文解读] EMM: Energy-Aware Mobility Management for Mobile Edge Computing in Ultra Dense Networks

Yuxuan Sun, Sheng Zhou+1 more|arXiv (Cornell University)|Sep 8, 2017

Advanced MIMO Systems Optimization参考文献 9被引用 6

一句话总结

本文提出 EMM，一种面向超密集网络中移动边缘计算的节能型移动性管理方案，结合李雅普诺夫优化与多臂赌博机理论，在长期能量约束下最小化延迟。该算法在系统状态信息不完整且动态变化的情况下，仍能实现接近最优的延迟性能，同时满足用户能量预算要求。

ABSTRACT

Merging mobile edge computing (MEC) functionality with the dense deployment of base stations (BSs) provides enormous benefits such as a real proximity, low latency access to computing resources. However, the envisioned integration creates many new challenges, among which mobility management (MM) is a critical one. Simply applying existing radio access oriented MM schemes leads to poor performance mainly due to the co-provisioning of radio access and computing services of the MEC-enabled BSs. In this paper, we develop a novel user-centric energy-aware mobility management (EMM) scheme, in order to optimize the delay due to both radio access and computation, under the long-term energy consumption constraint of the user. Based on Lyapunov optimization and multi-armed bandit theories, EMM works in an online fashion without future system state information, and effectively handles the imperfect system state information. Theoretical analysis explicitly takes radio handover and computation migration cost into consideration and proves a bounded deviation on both the delay performance and energy consumption compared to the oracle solution with exact and complete future system information. The proposed algorithm also effectively handles the scenario in which candidate BSs randomly switch on/off during the offloading process of a task. Simulations show that the proposed algorithms can achieve close-to-optimal delay performance while satisfying the user energy consumption constraint.

研究动机与目标

• 解决移动边缘计算（MEC）环境中基站（BS）同时提供无线接入与计算服务所带来的移动性管理挑战。
• 克服传统以无线为中心的移动性管理在超密集网络（UDN）中的局限性，其中无线与计算资源的联合提供使用户关联问题更加复杂。
• 设计一种在线、以用户为中心的移动性管理算法，无需未来系统状态信息，且能处理因基站开关机导致的动态可用性。
• 在长期能量预算约束下，优化任务卸载延迟与用户能耗之间的权衡。
• 确保对不完整系统状态信息（如基站负载和信道条件的噪声观测）的鲁棒性。

提出的方法

• 将李雅普诺夫优化与多臂赌博机（MAB）理论相结合，设计一种在线移动性管理算法，以平衡延迟与能耗。
• 将问题形式化为约束优化任务，目标是最小化时间平均延迟，同时满足长期能量预算约束。
• 使用李雅普诺夫漂移加惩罚方法，将约束问题转化为对漂移加惩罚表达式的无约束最小化。
• 应用MAB框架，实现实时学习最优卸载基站，即使在基站性能观测不完整或存在噪声的情况下亦可。
• 设计一种广义的EMM变体（EMM-LSI-V），在可用基站集合发生变化时保留学习状态，提升收敛速度并降低切换开销。
• 在效用函数中同时纳入无线切换成本与计算迁移成本，以反映实际运行中的操作开销。

实验结果

研究问题

• RQ1 当未来系统状态信息不可用且观测存在噪声时，如何优化MEC增强型超密集网络中的移动性管理？
• RQ2 与具备完美未来知识的“理想”解决方案相比，所提出的在线算法在延迟与能耗方面的性能差距如何？
• RQ3 该算法如何处理动态基站可用性问题，如任务卸载过程中基站的随机开关机？
• RQ4 学习时长与观测方差对移动性管理算法收敛性与延迟性能有何影响？
• RQ5 所提算法能否在严格遵守用户定义的长期能量预算前提下，实现接近最优的延迟性能？

主要发现

• 所提出的EMM算法在延迟性能上与具备完美未来知识的“理想”解决方案保持有界偏差，证明了其理论稳定性与近似最优性。
• 仿真结果表明，当能量预算充足时，EMM-GSI能实现接近最优的延迟性能，且学习过程导致的性能损失极小。
• 在能量预算较低时，算法能有效执行能量约束，即使在无可行解存在的情况下也能防止违规。
• 当观测方差为30%时，EMM-LSI在$ K_s = 20 $时达到最优性能，实现了学习精度与切换成本之间的良好平衡。
• 当可用基站集合发生变化时，EMM-LSI-V变体比EMM-LSI收敛更快，显著降低切换时延，提升对动态网络条件的适应能力。
• 在动态基站可用性条件下，算法仍能保持较低遗憾，且EMM-LSI-V在收敛速度与稳定性方面优于EMM-LSI。