[论文解读] Energy Efficient Mobile Cloud Computing Powered by Wireless Energy Transfer (extended version)

Changsheng You, Kaibin Huang+1 more|arXiv (Cornell University)|Jul 15, 2015

Energy Harvesting in Wireless Networks被引用 6

一句话总结

本文提出了一种节能的移动云计算框架，整合了无线能量传输（WPT）与计算卸载技术，使低复杂度设备能够实现自维持运行。通过在能量采集和截止时间约束下，联合优化CPU周期分配、WPT与卸载的时间分配以及模式选择，该框架利用凸优化最大化计算概率，显著降低了能耗，并在动态信道条件下提升了可靠性。

ABSTRACT

Achieving long battery lives or even self sustainability has been a long standing challenge for designing mobile devices. This paper presents a novel solution that seamlessly integrates two technologies, mobile cloud computing and microwave power transfer (MPT), to enable computation in passive low-complexity devices such as sensors and wearable computing devices. Specifically, considering a single-user system, a base station (BS) either transfers power to or offloads computation from a mobile to the cloud; the mobile uses harvested energy to compute given data either locally or by offloading. A framework for energy efficient computing is proposed that comprises a set of policies for controlling CPU cycles for the mode of local computing, time division between MPT and offloading for the other mode of offloading, and mode selection. Given the CPU-cycle statistics information and channel state information (CSI), the policies aim at maximizing the probability of successfully computing given data, called computing probability, under the energy harvesting and deadline constraints. The policy optimization is translated into the equivalent problems of minimizing the mobile energy consumption for local computing and maximizing the mobile energy savings for offloading which are solved using convex optimization theory. The structures of the resultant policies are characterized in closed form. Furthermore, given non-causal CSI, the said analytical framework is further developed to support computation load allocation over multiple channel realizations, which further increases computing probability. Last, simulation demonstrates the feasibility of wirelessly powered mobile cloud computing and the gain of its optimal control.

研究动机与目标

• 通过无线能量传输实现自维持运行，以应对移动物联网设备（尤其是传感器和可穿戴设备）电池寿命有限的挑战。
• 将移动云计算与微波能量传输（MPT）相结合，使无源的、低复杂度设备能够执行计算任务。
• 在能量采集和截止时间约束下，最大化计算概率（即成功完成给定计算任务的可能性）。
• 联合优化三种控制策略：本地计算的CPU周期分配、MPT与卸载之间的时间分配，以及本地执行与卸载执行之间的模式选择。
• 通过凸优化构建一个可处理的分析框架，获得适用于实际部署的闭式策略结构。

提出的方法

• 构建一个系统模型，其中基站（BS）通过MPT传输能量，并将计算任务卸载至云端，移动设备利用采集的能量进行本地处理或卸载处理。
• 引入计算概率作为主要优化目标，受能量因果性和截止时间约束的限制。
• 通过凸松弛求解优化问题，将其转化为最小化本地计算的移动设备能耗，并最大化卸载的节能效果。
• 利用Karush-Kuhn-Tucker（KKT）条件和基于Lambert W函数的解法，推导出最优策略的闭式表达式，用于信道相关的阈值。
• 将框架扩展至非因果信道状态信息（CSI），实现多块计算负载分配，从而提升鲁棒性和性能。
• 采用随机控制方法，联合优化CPU周期和时间分配，确保能量因果性并最大化系统可靠性。

实验结果

研究问题

• RQ1 如何有效整合无线能量传输与移动云计算，以使具备能量采集能力的移动设备实现运行？
• RQ2 在能量和延迟约束下，哪些联合控制策略（包括CPU周期、时间分配和模式选择）能够最大化计算成功的概率？
• RQ3 与因果或无CSI相比，非因果CSI如何提升无线供电移动云计算的性能？
• RQ4 在动态无线环境中，节能计算的最优策略具有怎样的闭式结构？
• RQ5 在具有非因果CSI的情况下，对多个信道实现进行优化时，计算概率的理论增益是多少？

主要发现

• 所提出的框架通过在能量采集约束下联合优化MPT、卸载和本地计算，显著提升了计算概率。
• 推导出CPU周期分配和时间分配的闭式最优策略，使基于凸优化和Lambert W函数的实际部署成为可能。
• 最优卸载策略基于信道增益和采集能量的阈值选择，MPT与卸载之间的时间分配可动态调整。
• 在非因果CSI条件下，框架支持多块计算负载分配，通过利用未来信道状态信息进一步提高计算概率。
• 仿真结果验证了无线供电移动云计算的可行性，并表明其在能效和可靠性方面显著优于基准方案。
• 推导出的阈值条件 $ P_b h^2 \geq a^{\prime\prime} $ 确保了成功卸载，其中 $ a^{\prime\prime} $ 明确定义为带宽、时延和能效等系统参数的函数。