[论文解读] Joint Optimization of Service Caching Placement and Computation Offloading in Mobile Edge Computing Systems

Suzhi Bi, Liang Huang+1 more|arXiv (Cornell University)|Jun 3, 2019

IoT and Edge/Fog Computing参考文献 42被引用 14

一句话总结

本文提出了一种在移动边缘计算（MEC）系统中联合优化服务缓存部署与计算卸载的框架，以最小化移动用户（MU）的计算延迟和能耗。通过建立混合整数非线性规划（MINLP）模型，并将其转化为等价的0-1整数线性规划（ILP）模型，该方法实现了高效的计算卸载决策与可重用应用程序的动态缓存，相比基准方法显著节省了资源。

ABSTRACT

In mobile edge computing (MEC) systems, edge service caching refers to pre-storing the necessary programs for executing computation tasks at MEC servers. At resource-constrained edge servers, service caching placement is in general a complicated problem that highly correlates to the offloading decisions of computation tasks. In this paper, we consider a single edge server that assists a mobile user (MU) in executing a sequence of computation tasks. In particular, the MU can run its customized programs at the edge server, while the server can selectively cache the previously generated programs for future service reuse. To minimize the computation delay and energy consumption of the MU, we formulate a mixed integer non-linear programming (MINLP) that jointly optimizes the service caching placement, computation offloading, and system resource allocation. We first derive the closed-form expressions of the optimal resource allocation, and subsequently transform the MINLP into an equivalent pure 0-1 integer linear programming (ILP). To further reduce the complexity in solving the ILP, we exploit the underlying structures in optimal solutions, and devise a reduced-complexity alternating minimization technique to update the caching placement and offloading decision alternately. Simulations show that the proposed techniques achieve substantial resource savings compared to other representative benchmark methods.

研究动机与目标

• 最小化移动边缘计算（MEC）系统中移动用户的计算延迟与能耗。
• 联合优化服务缓存部署、计算卸载决策与系统资源分配（如CPU频率与发射功率）。
• 解决在边缘缓存空间受限条件下缓存决策与卸载选择之间的相互依赖性。
• 设计一种低复杂度的解决方案，以利用任务依赖关系与缓存因果性结构。
• 通过联合优化，在资源效率方面超越现有基准方法。

提出的方法

• 建立一个整合了缓存、卸载与资源分配决策的混合整数非线性规划（MINLP）问题。
• 推导出资源分配（发射功率、CPU频率）的闭式最优解，以简化优化过程。
• 将原始MINLP问题转化为等价的纯0-1整数线性规划（ILP）问题，以实现可计算的求解。
• 提出一种复杂度降低的交替最小化算法，通过利用任务依赖关系与缓存因果性约束，迭代更新缓存部署与卸载决策。
• 利用任务序列与服务依赖关系的结构特性，降低计算复杂度。
• 通过等价性证明与约束满足性验证，证明了可行性与最优性，适用于缓存因果性与任务依赖性模型。

实验结果

研究问题

• RQ1 如何联合优化服务缓存与计算卸载，以最小化MEC系统中移动用户的延迟与能耗？
• RQ2 在动态缓存约束下，本地执行、边缘卸载与云卸载之间的最优权衡是什么？
• RQ3 如何数学建模并高效求解缓存决策与卸载选择之间的相互依赖性？
• RQ4 任务依赖关系与缓存因果性对低复杂度优化算法设计有何影响？
• RQ5 与完全卸载或本地执行相比，所提出的联合优化在性能与资源节省方面表现如何？

主要发现

• 所提出的联合优化框架相比基准方法，在显著降低移动用户计算延迟与能耗方面表现出色。
• 从MINLP到等价0-1 ILP的转换，使得复杂优化问题能够实现高效且可扩展的求解。
• 复杂度降低的交替最小化算法有效利用了任务依赖关系与缓存因果性，提升了计算效率。
• 推导出最优资源分配（发射功率与CPU频率）的闭式解，实现了分析式优化。
• 证明表明，最优解在缓存因果性与任务依赖性约束下仍保持可行性与目标值最优。
• 大量仿真结果表明，所提方法在资源节省与性能方面优于现有方法。