[论文解读] Energy-Efficient Resource Allocation for Cache-Assisted Mobile Edge Computing

Ying Cui, Wen He+3 more|arXiv (Cornell University)|Aug 16, 2017

Caching and Content Delivery参考文献 1被引用 5

一句话总结

本文提出了一种在多用户缓存辅助移动边缘计算（MEC）系统中联合缓存与卸载的机制，以最小化平均总能耗。通过利用多用户分集增益和多播技术，该文将缓存与资源分配建模为混合离散-连续优化问题，并采用基于对偶性的方法获得近似最优性能，同时提出一种低复杂度次优解，其在能效方面优于现有方案。

ABSTRACT

In this paper, we jointly consider communication, caching and computation in a multi-user cache-assisted mobile edge computing (MEC) system, consisting of one base station (BS) of caching and computing capabilities and multiple users with computation-intensive and latency-sensitive applications. We propose a joint caching and offloading mechanism which involves task uploading and executing for tasks with uncached computation results as well as computation result downloading for all tasks at the BS, and efficiently utilizes multi-user diversity and multicasting opportunities. Then, we formulate the average total energy minimization problem subject to the caching and deadline constraints to optimally allocate the storage resource at the BS for caching computation results as well as the uploading and downloading time durations. The problem is a challenging mixed discrete-continuous optimization problem. We show that strong duality holds, and obtain an optimal solution using a dual method. To reduce the computational complexity, we further propose a low-complexity suboptimal solution. Finally, numerical results show that the proposed suboptimal solution outperforms existing comparison schemes.

研究动机与目标

• 为解决多用户MEC系统中计算密集型、时延敏感型移动应用的高能耗问题。
• 在具有共享任务结果的缓存辅助MEC系统中，联合优化通信、缓存与计算资源。
• 在缓存与传输/下载时延约束下，最小化平均总能耗。
• 基于对偶理论提出最优解，并设计一种适用于实际部署的低复杂度次优替代方案。
• 证明所提方案在能效与资源利用率方面优于基线方法。

提出的方法

• 为多用户MEC系统中上传/下载的联合缓存与时间分配问题建立混合离散-连续优化模型。
• 将对偶问题转化为缓存的背包问题与时间分配的多个凸子问题。
• 采用次梯度法求解对偶问题，并证明强对偶性成立，从而可恢复原始最优解。
• 提出一种基于启发式时间分配与缓存决策的低复杂度次优解，以降低计算开销。
• 采用包含输入大小、工作负载与输出大小的任务模型，并使用Zipf分布建模任务流行度，以增强现实性。
• 在任务上传中引入多用户分集增益，在结果下载中利用多播机会，以提升资源利用效率。

实验结果

研究问题

• RQ1 在多用户移动边缘计算系统中，如何通过计算结果缓存降低能耗？
• RQ2 在最小化总能耗的前提下，缓存、通信与计算资源之间应如何实现最优权衡？
• RQ3 多用户分集增益与多播技术如何提升任务卸载与结果传输的能效？
• RQ4 低复杂度次优解是否能在显著降低计算成本的同时实现接近最优的性能？
• RQ5 系统参数（如缓存大小、用户数量与任务流行度）如何影响能效？

主要发现

• 所提次优解在小系统规模下（K=5, N=4）的平均总能耗与最优解极为接近，验证了其实际适用性。
• 该次优解通过智能缓存与时间分配策略，减少了冗余传输，在能效方面优于四种基线方案。
• 随着Zipf指数γ增大，能耗降低，因为任务流行度分布更集中，有效负载减少。
• 更大的缓存大小C可降低能耗，原因在于减少了常见任务的重复执行与重传。
• 用户数K或任务数N增加时，能耗上升，因为计算与通信负载随之增加。
• 不缓存结果的基线方案（如基线3与基线4）能耗显著高于缓存方案，凸显了缓存机制的价值。