[论文解读] Information-Centric Wireless Networks with Mobile Edge Computing

Yuchen Zhou, F. Richard Yu+2 more|arXiv (Cornell University)|Jun 29, 2017

Caching and Content Delivery参考文献 17被引用 3

一句话总结

本文提出了一种虚拟化异构网络框架，集成移动边缘计算（MEC）与网络内缓存，以联合优化通信、计算与缓存资源。通过基于分布式ADMM的算法，实现了低复杂度、低开销的资源分配，显著提升了总体效用，尤其在内容缓存与计算卸载场景下表现突出。

ABSTRACT

In order to better accommodate the dramatically increasing demand for data caching and computing services, storage and computation capabilities should be endowed to some of the intermediate nodes within the network. In this paper, we design a novel virtualized heterogeneous networks framework aiming at enabling content caching and computing. With the virtualization of the whole system, the communication, computing and caching resources can be shared among all users associated with different virtual service providers. We formulate the virtual resource allocation strategy as a joint optimization problem, where the gains of not only virtualization but also caching and computing are taken into consideration in the proposed architecture. In addition, a distributed algorithm based on alternating direction method of multipliers is adopted to solve the formulated problem, in order to reduce the computational complexity and signaling overhead. Finally, extensive simulations are presented to show the effectiveness of the proposed scheme under different system parameters.

研究动机与目标

• 通过集成MEC与网络内缓存，应对无线网络中日益增长的高效视频传输与计算需求。
• 克服现有系统将MEC与缓存视为独立问题所导致的资源利用效率低下问题。
• 通过网络虚拟化实现不同虚拟服务提供商用户之间通信、计算与缓存资源的动态共享。
• 建立联合优化问题，综合考虑虚拟化、缓存与计算带来的增益，以最大化整体系统效用。
• 设计一种分布式算法，以降低计算复杂度与信令开销，同时保持性能

提出的方法

• 设计一种虚拟化异构网络（HetNets）框架，移动虚拟网络运营商（MVNO）根据服务提供商（SP）的需求创建虚拟网络。
• 将系统建模为两类SP：一类具备缓存能力（SP1），另一类不具备（SP2），以支持差异化服务提供。
• 针对虚拟资源分配建立联合优化问题，以最大化总效用，同时整合虚拟化、缓存与计算带来的增益。
• 采用交替方向乘子法（ADMM）将耦合问题分解为子问题，实现分布式计算并降低信令开销。
• 引入原始与对偶可行性条件及其容差（υ_pri 与 υ_dual），以判断ADMM算法的收敛性。
• 基于边际收益计算实现二值恢复，以确定最优用户关联与资源分配。

实验结果

研究问题

• RQ1 在虚拟化无线网络中，如何联合优化移动边缘计算与网络内缓存以提升系统效用？
• RQ2 将虚拟化与缓存及计算相结合，对资源分配效率与系统性能有何影响？
• RQ3 与集中式方案相比，基于分布式ADMM的算法能否在降低计算复杂度与信令开销的同时实现近似最优性能？
• RQ4 在热门视频内容重复使用场景下，缓存的引入如何影响MVNO的总效用？
• RQ5 在不同系统参数下，所提出的ADMM算法的收敛行为与性能权衡如何？

主要发现

• 所提出的基于ADMM的分布式算法收敛迅速，且收敛速度随惩罚参数ρ增大而提升。
• 引入缓存的方案相比无缓存的分布式方案显著提升了总效用，尤其在热门内容重复使用时优势明显。
• 尽管内容分发与CSI交换的信令开销更低，所提方案性能仍接近集中式最优解。
• 随着用户数增加，所有方案的总效用均上升，但所提方案因缓存增益而保持性能优势。
• 设置ρ = 2在收敛速度与解精度之间取得良好平衡，是本仿真设置下的最优选择。