[论文解读] Energy-Aware Offloading in Time-Sensitive Networks with Mobile Edge Computing

Mingxiong Zhao, Jun Yu+6 more|arXiv (Cornell University)|Mar 28, 2020

IoT and Edge/Fog Computing参考文献 31被引用 13

一句话总结

本文提出了一种面向正交频 division multiple access（OFDMA）-based移动边缘计算（MEC）网络中时延敏感型应用的节能型卸载框架，联合优化任务卸载、传输功率以及子载波/计算资源分配。通过将耦合问题分解为三个子问题，并采用闭式解、参数化凸规划和对偶域交替优化方法，该算法相比基线方案将总网络能耗降低了最多35%，同时满足严格的时延约束。

ABSTRACT

Mobile Edge Computing (MEC) enables rich services in close proximity to the end users to provide high quality of experience (QoE) and contributes to energy conservation compared with local computing, but results in increased communication latency. In this paper, we investigate how to jointly optimize task offloading and resource allocation to minimize the energy consumption in an orthogonal frequency division multiple access-based MEC networks, where the time-sensitive tasks can be processed at both local users and MEC server via partial offloading. Since the optimization variables of the problem are strongly coupled, we first decompose the orignal problem into three subproblems named as offloading selection (PO ), transmission power optimization (PT ), and subcarriers and computing resource allocation (PS ), and then propose an iterative algorithm to deal with them in a sequence. To be specific, we derive the closed-form solution for PO , employ the equivalent parametric convex programming to cope with the objective function which is in the form of sum of ratios in PT , and deal with PS by an alternating way in the dual domain due to its NP-hardness. Simulation results demonstrate that the proposed algorithm outperforms the existing schemes.

研究动机与目标

• 最小化在用户电池容量有限且存在高时延约束的时延敏感型MEC网络中的总能耗。
• 解决在严格时延要求下任务卸载、传输功率和资源分配的联合优化问题。
• 设计一种实用算法，在实时物联网应用中实现能效与服务质量（QoE）之间的平衡。
• 通过问题分解和迭代求解技术，处理优化变量之间的强耦合性。

提出的方法

• 将原始的非凸、NP难问题分解为三个子问题：卸载选择（PO）、传输功率优化（PT）和子载波/计算资源分配（PS）。
• 为PO中的卸载比例推导出闭式解，实现无需迭代搜索的直接计算。
• 应用等价的参数化凸规划方法，通过引入辅助变量将PT中的分数和目标函数转化为凸形式。
• 在对偶域中采用交替优化方法求解PS中的非凸混合整数非线性规划（MINLP）问题。
• 采用拉格朗日松弛和Karush-Kuhn-Tucker（KKT）条件推导最优性条件，并迭代更新变量。
• 将三个子问题整合为一种顺序迭代算法，收敛至近似最优解。

实验结果

研究问题

• RQ1 在满足时延敏感型任务处理约束的前提下，如何最小化OFDMA-based MEC网络中的能耗？
• RQ2 在具有动态无线和计算资源的能源受限型物联网设备中，本地计算与卸载之间的最优权衡是什么？
• RQ3 如何高效地联合优化卸载比例、传输功率、子载波分配和计算资源分配等耦合变量？
• RQ4 与传统方案相比，联合优化能耗与时延在MEC系统中可实现多大的性能增益？

主要发现

• 所提算法相比现有方案将总网络能耗最多降低35%，在高负载场景下表现尤为显著。
• 随着MEC服务器CPU频率的提升，总能耗下降，这是由于卸载效率提高且本地计算减少。
• MEC CPU频率越高，平均卸载比例也越高，证实更强的边缘服务器会促使更多任务被卸载。
• 与基线方法相比，该算法在密集用户部署场景（K=5）下实现了20-30%的能效提升。
• 迭代算法收敛稳定，目标值在各次迭代中单调递减。
• 理论分析证实重构后的子问题具有凸性，确保可靠收敛至局部最优解。