[论文解读] Energy and Latency Control for Edge Computing in Dense V2X Networks

Jingjing Zhao, Lifeng Wang+3 more|arXiv (Cornell University)|Jul 6, 2018

IoT and Edge/Fog Computing参考文献 8被引用 6

一句话总结

该论文提出了一种用于密集毫米波V2X网络中边缘计算的动态能效与时延控制算法，结合李雅普诺夫优化与序列凸逼近方法，联合优化任务卸载与发射功率。该方法在高干扰和车辆高速移动条件下，仍能实现能效与计算时延之间的近似最优权衡，且在密集场景下性能趋近于噪声受限条件。

ABSTRACT

This study focuses on edge computing in dense millimeter wave vehicle-to-everything (V2X) networks. A control problem is formulated to minimize the energy consumption under delay constraint resulting from vehicle mobility. A tractable algorithm is proposed to solve this problem by optimizing the offloaded computing tasks and transmit power of vehicles and road side units. The proposed dynamic solution can well coordinate the interference without requiring global channel state information, and makes a tradeoff between energy consumption and task computing latency.

研究动机与目标

• 为在严格任务计算时延约束下，解决密集毫米波V2X网络中边缘计算的能耗最小化挑战。
• 设计一种动态控制机制，协调干扰与资源分配，且无需全局信道状态信息。
• 在高移动性车载环境中，平衡能效与任务处理时延，应对动态任务到达与可变干扰。
• 开发一种在线、可计算的算法，能够适应实时网络状态与车辆移动性。

提出的方法

• 利用李雅普诺夫漂移构建随机优化问题，在时隙系统中联合最小化能耗并满足时延约束。
• 应用序列凸逼近（SCA）将非凸优化问题转化为可迭代求解的可处理形式。
• 基于距离与仰角相关的路径损耗，建模三维视 Line-of-Sight（LoS）毫米波信道增益，并引入主瓣与旁瓣增益的波束成形。
• 提出一种动态控制策略，根据队列状态与信道条件，按时隙调整发射功率与卸载任务数量。
• 采用下界能耗模型，考虑干扰温度、计算能力与任务大小的影响。
• 引入控制变量η以平衡能耗成本与计算时延，实现权衡参数的可调。

实验结果

研究问题

• RQ1 在满足严格任务处理时延约束的前提下，如何最小化密集毫米波V2X网络中边缘计算的能耗？
• RQ2 在高移动性车载网络中，何种控制策略可实现有效干扰协调，且无需全局信道状态信息？
• RQ3 在车辆密度与干扰水平变化的情况下，所提算法如何维持网络稳定与性能？
• RQ4 通过动态发射功率与任务卸载控制，能将能效与任务计算时延之间的权衡优化到何种程度？
• RQ5 在高密度、干扰受限的V2X环境中，该算法能否实现接近噪声受限情况下的性能表现？

主要发现

• 所提算法即使在高干扰、高密度车载环境中，也能实现能耗与任务计算时延之间的近似最优权衡。
• 在低车辆密度场景下，较高发射功率可支持更多任务卸载，减轻车载端计算负担。
• 随着车辆密度增加，干扰温度升高迫使发射功率降低，导致上行链路时延增加，卸载任务量受限。
• 该算法无需全局信道状态信息，即可有效协调干扰并维持网络稳定性。
• 通过调节控制参数η，系统可动态平衡能耗成本与计算时延，在高负载下平均计算时间趋于恒定。
• 所提算法在高密度环境下的性能接近噪声受限场景（如λ₁ = λ₂ = 0.001/m），表明其在密集条件下的鲁棒性。