[论文解读] Energy Efficiency and Delay Tradeoff in an MEC-Enabled Mobile IoT Network

Han Hu, Weiwei Song+3 more|arXiv (Cornell University)|Feb 8, 2022

IoT and Edge/Fog Computing被引用 5

一句话总结

该论文提出了一种用于多用户多服务器 MEC 使能的物联网网络的在线卸载与资源分配算法，利用李雅普诺夫优化和亚模方法，在能量效率（EE）与服务时延之间实现了 [O(1/V), O(V)] 的权衡。该算法在动态用户移动性、信道条件及随机任务到达条件下，确保长期能量效率最小化，同时维持队列稳定性并满足硬件约束。

ABSTRACT

Mobile Edge Computing (MEC) has recently emerged as a promising technology in the 5G era. It is deemed an effective paradigm to support computation-intensive and delay critical applications even at energy-constrained and computation-limited Internet of Things (IoT) devices. To effectively exploit the performance benefits enabled by MEC, it is imperative to jointly allocate radio and computational resources by considering non-stationary computation demands, user mobility, and wireless fading channels. This paper aims to study the tradeoff between energy efficiency (EE) and service delay for multi-user multi-server MEC-enabled IoT systems when provisioning offloading services in a user mobility scenario. Particularly, we formulate a stochastic optimization problem with the objective of minimizing the long-term average network EE with the constraints of the task queue stability, peak transmit power, maximum CPU-cycle frequency, and maximum user number. To tackle the problem, we propose an online offloading and resource allocation algorithm by transforming the original problem into several individual subproblems in each time slot based on Lyapunov optimization theory, which are then solved by convex decomposition and submodular methods. Theoretical analysis proves that the proposed algorithm can achieve a $[O(1/V), O(V)]$ tradeoff between EE and service delay. Simulation results verify the theoretical analysis and demonstrate our proposed algorithm can offer much better EE-delay performance in task offloading challenges, compared to several baselines.

研究动机与目标

• 解决在非平稳条件下，多用户多服务器 MEC 使能的物联网网络中能量效率（EE）与服务时延之间的基本权衡问题。
• 联合优化无线与计算资源分配，同时考虑用户移动性、时变无线信道及随机任务到达。
• 确保长期网络性能保证，包括任务队列稳定性与硬件约束（峰值功率、CPU 频率、用户数量限制）。
• 开发一种在线算法，无需未来信道状态或任务到达的先验知识即可运行。

提出的方法

• 建立一个随机优化问题，以最小化长期平均能量效率，同时满足队列稳定性、峰值发射功率、最大 CPU 周期频率和用户数量的约束。
• 利用李雅普诺夫优化理论将原始问题转化为时隙划分的子问题，以解耦动态变量。
• 通过凸分解求解功率与带宽分配的子问题，通过亚模优化求解任务卸载决策的子问题。
• 引入一种随机化算法以近似最优解，并通过漂移加惩罚分析推导性能边界。
• 使用李雅普诺夫函数平衡能量效率与时延，其中权衡参数 V 控制性能权衡。
• 采用对偶分解方法处理用户卸载决策与资源分配之间的耦合关系。

实验结果

研究问题

• RQ1 在具有动态用户移动性的多用户多服务器 MEC 使能的物联网网络中，如何联合优化能量效率与服务时延？
• RQ2 在时变信道和随机任务到达条件下，长期能量效率与平均服务时延之间的基本权衡是什么？
• RQ3 在缺乏未来信道状态或任务到达知识的情况下，如何实现实时资源分配？
• RQ4 在动态 MEC 环境中，如何为队列稳定性与硬件约束提供性能保证？
• RQ5 在实际系统约束下，低复杂度的在线算法能否实现接近最优的能量效率-时延权衡？

主要发现

• 所提算法在能量效率与服务时延之间实现了 [O(1/V), O(V)] 的权衡，通过李雅普诺夫分析证明了理论性能边界。
• 仿真结果验证了理论权衡，显示在随机卸载与固定功率分配等基线算法之上，能量效率-时延性能显著提升。
• 在所有测试场景下，该算法均保持了稳定的任务队列，确保了服务质量要求。
• 在满足最大 CPU 周期频率与发射功率约束的前提下，最小化了平均网络能量消耗。
• 该算法对用户移动性与时变信道条件表现出鲁棒性，在能量效率与时延指标上均优于基准算法。
• 推导出网络能量效率的上界为 $\eta_{EE}^{*} \leq \frac{C_1 + C_2}{V} + \eta_{EE}^{\text{opt}}$，表明随着 V 增大，收敛至最优能量效率。