[论文解读] Energy-delay-cost Tradeoff for Task Offloading in Imbalanced Edge Cloud Based Computing

Weiheng Jiang, Yi Gong+3 more|arXiv (Cornell University)|May 5, 2018

IoT and Edge/Fog Computing参考文献 3被引用 9

一句话总结

该论文提出了一种新型的能量-延迟-成本权衡框架，用于在具有多个移动用户（MUs）和每个用户多个任务的不平衡边缘云系统中的任务卸载。通过引入一种ECS访问成本度量，该度量同时捕捉了回传依赖的访问延迟和基于服务级别协议（SLA）的资源支付，作者将联合卸载与资源分配问题建模为最小化总成本（效率）或每个用户的最大成本（公平性）。关键贡献在于通过集中式和分布式启发式算法实现次优解，该方法在低复杂度下实现了优异性能。

ABSTRACT

In this paper, the imbalance edge cloud based computing offloading for multiple mobile users (MUs) with multiple tasks per MU is studied. In which, several edge cloud servers (ECSs) are shared and accessed by multiple wireless access points (APs) with the backhaul links, and each MU has multiple computing intensive and latency critical tasks should be offloaded to execute, which involves both the AP association and ECS selection, with the objective of minimizing the offloading cost. Distinguished with existing research, besides the transmission delay and energy consumption from MU to AP, the ECS access-cost which characterizes the ECS access delay and (or) resource using cost is introduced, thus finally formulates the delay-energy-cost tradeoff based offloading cost criteria, for the MUs' offloading decision and resource allocation problems. In specific, in our system, the ECS access-cost depends on both the AP and ECS, which reflects the effects of different backhaul techniques used by these APs, and their negotiated payments of ECS resource using under different service level agreements. Both problems of minimizing the sum offloading costs for all MUs (efficiency-based) and minimizing the maximal offloading cost per MU (fairness-based) are discussed. Since these problems are all NP-hard. Therefore, some centralized and distributed heuristic algorithms are proposed to find the suboptimal solutions. Further analysis and numerical results are presented at last to demonstrate the performance of these algorithms from several aspects, such as efficiency, complexity and fairness.

研究动机与目标

• 为满足移动和物联网环境中设备能力受限的低时延、节能计算日益增长的需求。
• 对不平衡边缘云架构中的任务卸载进行建模与优化，其中多个移动用户通过多个接入点（APs）共享边缘云服务器（ECSs）。
• 提出一种新的卸载成本度量，结合了传输延迟、能耗以及ECS访问成本（反映基于SLA的访问延迟和资源支付）。
• 制定并求解两个NP难优化问题：最小化总卸载成本（基于效率）和最小化每个用户的最大成本（基于公平性）。
• 设计并评估集中式和分布式启发式算法，实现在降低复杂度的同时接近最优性能。

提出的方法

• 提出一种新的卸载成本度量，结合了传输延迟、能耗以及ECS访问成本，其中后者取决于AP与ECS之间的关系，以反映回传技术与基于SLA的定价。
• 将系统建模为多个MUs具有多个任务时的联合AP关联与ECS选择问题，受限于计算与通信资源。
• 针对基于效率的问题，提出一种集中式遗传算法（CGA）和一种分布式自适应多智能体（ADMA）算法，分别采用进化与迭代优化技术。
• 开发一种面向公平性的遗传算法（FGA），以最小化每个MU的最大卸载成本，其适应度函数中整合了比例公平调度策略。
• 采用多目标优化框架，通过不同的算法设计在效率（总成本）与公平性（最大成本）之间实现平衡。
• 通过基于仿真的评估，使用真实参数比较算法在效率、公平性、收敛速度与复杂度方面的性能。

实验结果

研究问题

• RQ1 如何设计一种统一的能量-延迟-成本权衡度量，以准确反映不平衡边缘云系统中任务卸载的真实成本？
• RQ2 引入ECS访问成本（反映访问延迟与基于SLA的资源支付）对卸载决策与系统性能有何影响？
• RQ3 在基于效率的问题中，集中式与分布式启发式算法在卸载成本、收敛速度与计算复杂度方面如何比较？
• RQ4 面向公平性的算法在多大程度上能降低每个用户的最大卸载成本，相较于以效率为导向的方法？
• RQ5 系统可扩展性（如增加MUs数量或每个MU的任务数）如何影响所提算法在成本、公平性与资源利用率方面的性能？

主要发现

• 集中式遗传算法（CGA）实现了最佳的卸载成本性能，与最优解相比差距可忽略，尤其是在计算资源需求较低时。
• 分布式ADMA算法在收敛速度与复杂度方面具有显著优势，与CGA相比仅有可忽略的性能损失，使其适用于大规模系统。
• 面向公平性的FGA算法在MU任务数增加时提升了公平性（Jain指数），这与初始预期相反，归因于更高的调度自由度。
• 在计算资源受限时，CGA在卸载比率方面优于FGA，且随着MU数量增加，性能差距进一步扩大，证实了CGA在资源利用方面的优越性。
• 当平均计算需求较低时，CGA与ADMA之间的卸载成本差异极小，验证了分布式方法的鲁棒性。
• 引入ECS访问成本显著提升了卸载成本模型的真实性，通过整合回传与SLA影响，实现了更精确的系统优化。