[论文解读] Joint Service Caching and Task Offloading for Mobile Edge Computing in Dense Networks

Jie Xu, Lixing Chen+1 more|arXiv (Cornell University)|Jan 17, 2018

Caching and Content Delivery参考文献 24被引用 24

一句话总结

本文提出 OREO，一种在线算法，联合优化移动边缘计算（MEC）网络中的动态服务缓存与任务卸载，以在长期能量约束下最小化计算时延。通过利用李雅普诺夫优化与吉布斯采样，OREO 在无需未来系统信息的情况下实现了可证明的近似最优性能，支持在密集蜂窝网络中去中心化、可扩展的运行，在仿真中显著降低了时延并保持了较低的能耗。

ABSTRACT

Mobile Edge Computing (MEC) pushes computing functionalities away from the centralized cloud to the network edge, thereby meeting the latency requirements of many emerging mobile applications and saving backhaul network bandwidth. Although many existing works have studied computation offloading policies, service caching is an equally, if not more important, design topic of MEC, yet receives much less attention. Service caching refers to caching application services and their related databases/libraries in the edge server (e.g. MEC-enabled BS), thereby enabling corresponding computation tasks to be executed. Because only a small number of application services can be cached in resource-limited edge server at the same time, which services to cache has to be judiciously decided to maximize the edge computing performance. In this paper, we investigate the extremely compelling but much less studied problem of dynamic service caching in MEC-enabled dense cellular networks. We propose an efficient online algorithm, called OREO, which jointly optimizes dynamic service caching and task offloading to address a number of key challenges in MEC systems, including service heterogeneity, unknown system dynamics, spatial demand coupling and decentralized coordination. Our algorithm is developed based on Lyapunov optimization and Gibbs sampling, works online without requiring future information, and achieves provable close-to-optimal performance. Simulation results show that our algorithm can effectively reduce computation latency for end users while keeping energy consumption low.

研究动机与目标

• 为解决 MEC 使能的密集蜂窝网络中动态服务缓存这一关键但研究不足的挑战。
• 在资源约束（包括有限存储与能量）下，联合优化服务缓存与任务卸载。
• 设计一种在线算法，在无需未来系统信息的情况下运行，同时确保长期性能保障。
• 实现基站之间的去中心化协作，以支持高密度网络中的可扩展性。
• 在限制能量消耗违规的前提下最小化计算时延，通过可证明的优化技术实现。

提出的方法

• OREO 算法使用李雅普诺夫优化，联合管理随时间变化的服务缓存与任务卸载决策。
• 将问题建模为具有时间平均延迟与能量约束的随机优化问题。
• 基于吉布斯采样的子程序通过近似最优策略实现基站之间的去中心化协作。
• 算法根据预测的流行度与资源可用性，动态选择缓存哪些服务。
• 通过为能量约束引入虚拟队列，确保能量消耗违规被限制。
• 该方法在理论上接近最优，当温度参数 τ 趋近于零时收敛至最优状态。

实验结果

研究问题

• RQ1 如何在 MEC 网络中联合优化服务缓存与任务卸载以最小化计算时延？
• RQ2 服务异构性与时空需求变化对密集网络中缓存决策有何影响？
• RQ3 在线算法是否能在不依赖未来系统状态信息的情况下实现近似最优性能？
• RQ4 如何在密集 MEC 网络中实现基站之间的去中心化协作以支持可扩展的服务缓存？
• RQ5 在动态、不确定的系统条件下，对时延与能耗消耗可提供何种性能保障？

主要发现

• OREO 在最小化计算时延方面实现了接近最优的性能，理论保障来自李雅普诺夫优化。
• 该算法在无未来系统动态信息的情况下，仍能限制能量消耗违规并维持低时延。
• 仿真结果表明，与基线缓存与卸载策略相比，OREO 显著降低了终端用户的计算时延。
• 基于吉布斯采样的去中心化协作机制支持大规模密集网络中的可扩展运行。
• 当温度参数 τ 趋近于零时，算法以概率收敛至最优缓存状态。
• 时间平均时延被限制，并且随着优化参数 V 增大，趋近于最优值。