[论文解读] ENGINE:Cost Effective Offloading in Mobile Edge Computing with Fog-Cloud Cooperation

Long Chen, Jigang Wu+2 more|arXiv (Cornell University)|Nov 6, 2017

IoT and Edge/Fog Computing参考文献 3被引用 15

一句话总结

本文提出 ENGINE，一种在移动边缘计算中利用雾-云协作的低成本卸载方案，旨在在移动设备预算约束下最小化任务完成时间。通过建模任务依赖关系并使用贪心算法，该方案实现了接近最优的性能，在应用完成时间上平均优于模拟退火算法 28.13%。同时，该方案高效平衡了本地、雾和云执行之间的成本与延迟权衡。

ABSTRACT

Mobile Edge Computing (MEC) as an emerging paradigm utilizing cloudlet or fog nodes to extend remote cloud computing to the edge of the network, is foreseen as a key technology towards next generation wireless networks. By offloading computation intensive tasks from resource constrained mobile devices to fog nodes or the remote cloud, the energy of mobile devices can be saved and the computation capability can be enhanced. For fog nodes, they can rent the resource rich remote cloud to help them process incoming tasks from mobile devices. In this architecture, the benefit of short computation and computation delay of mobile devices can be fully exploited. However, existing studies mostly assume fog nodes possess unlimited computing capacity, which is not practical, especially when fog nodes are also energy constrained mobile devices. To provide incentive of fog nodes and reduce the computation cost of mobile devices, we provide a cost effective offloading scheme in mobile edge computing with the cooperation between fog nodes and the remote cloud with task dependency constraint. The mobile devices have limited budget and have to determine which task should be computed locally or sent to the fog. To address this issue, we first formulate the offloading problem as a task finish time inimization problem with given budgets of mobile devices, which is NP-hard. We then devise two more algorithms to study the network performance. Simulation results show that the proposed greedy algorithm can achieve the near optimal performance. On average, the Brute Force method and the greedy algorithm outperform the simulated annealing algorithm by about 28.13% on the application finish time.

研究动机与目标

• 为解决移动边缘计算中移动设备受能量和计算能力限制，且雾节点也资源受限的计算卸载挑战。
• 设计一种尊重移动设备预算约束的低成本卸载策略，同时最小化应用完成时间。
• 协调雾节点与远程云之间的协作，平衡低延迟的雾处理与高容量的云执行，同时考虑任务依赖关系。
• 通过引入货币补偿和基于效用的资源分配机制，为雾节点参与卸载提供激励。
• 开发并评估高效算法，以在预算和依赖关系约束下，确定任务应本地执行、在雾上执行还是在云上执行。

提出的方法

• 将卸载问题建模为在给定移动设备预算下最小化任务完成时间的问题，该问题被证明为 NP-难问题。
• 将应用工作负载建模为有向无环图（DAG），并引入子任务之间的优先约束，以反映现实世界中的任务依赖关系。
• 提出一种贪心算法，优先根据成本和延迟将任务卸载至雾节点，并在雾节点容量或预算超出时动态将任务迁移至云。
• 采用暴力搜索法作为小规模场景下最优任务分配的性能基准。
• 使用模拟退火法作为对比启发式算法，评估所提贪心方法的性能。
• 为雾节点和云节点引入效用函数，以建模其激励机制，并确保在成本约束下的可行性。

实验结果

研究问题

• RQ1 当移动设备预算有限且雾节点也资源受限时，如何在移动边缘计算中优化计算卸载？
• RQ2 在任务依赖和成本约束下，本地执行、雾卸载和云卸载之间的最优权衡是什么？
• RQ3 为雾节点引入货币补偿后，对整体系统性能和任务完成时间有何影响？
• RQ4 贪心算法在应用完成时间和成本效率方面，能在多大程度上逼近最优解？
• RQ5 雾节点价格和用户预算的变化如何影响任务在本地、雾和云执行层之间的分布？

主要发现

• 贪心算法在任务完成时间上实现了接近最优的性能，平均优于模拟退火算法 28.13%。
• 暴力搜索法的运行时间随数据规模增加呈指数级增长，而贪心算法和模拟退火算法的运行时间则呈线性增长。
• 随着雾节点定价的提高，卸载至雾节点的任务数量减少，表明该算法对成本参数具有敏感性。
• 随着用户预算增加，分配给雾节点的任务数量最初上升，但在雾节点达到容量上限后趋于平稳，此后任务开始向云卸载。
• 贪心算法有效平衡了成本与性能，在计算效率方面保持高效的同时，与最优暴力搜索解非常接近。
• 在全云场景下，云的效用随工作负载线性增加，可作为受限情况下云效用的上界。