[论文解读] Joint Service Placement and Request Routing in Multi-cell Mobile Edge Computing Networks

Konstantinos Poularakis, Jaime Llorca+3 more|arXiv (Cornell University)|Jan 25, 2019

IoT and Edge/Fog Computing参考文献 14被引用 8

一句话总结

本文提出一种用于多小区移动边缘计算（MEC）网络中联合服务部署与请求路由的随机化舍入算法，以优化存储、计算和非对称通信约束。该方法实现了近似最优性能，在云负载减少方面相比贪心方法最高提升25%，并紧密逼近线性规划松弛的理论下界。

ABSTRACT

The proliferation of innovative mobile services such as augmented reality, networked gaming, and autonomous driving has spurred a growing need for low-latency access to computing resources that cannot be met solely by existing centralized cloud systems. Mobile Edge Computing (MEC) is expected to be an effective solution to meet the demand for low-latency services by enabling the execution of computing tasks at the network-periphery, in proximity to end-users. While a number of recent studies have addressed the problem of determining the execution of service tasks and the routing of user requests to corresponding edge servers, the focus has primarily been on the efficient utilization of computing resources, neglecting the fact that non-trivial amounts of data need to be stored to enable service execution, and that many emerging services exhibit asymmetric bandwidth requirements. To fill this gap, we study the joint optimization of service placement and request routing in MEC-enabled multi-cell networks with multidimensional (storage-computation-communication) constraints. We show that this problem generalizes several problems in literature and propose an algorithm that achieves close-to-optimal performance using randomized rounding. Evaluation results demonstrate that our approach can effectively utilize the available resources to maximize the number of requests served by low-latency edge cloud servers.

研究动机与目标

• 通过联合优化存储、计算以及上行/下行链路带宽等多维约束下的服务部署与请求路由，填补现有MEC研究的空白。
• 建模真实世界的MEC系统，其中服务需要非平凡的存储空间，具有非对称的上行/下行链路带宽需求，并在重叠的多小区环境中运行。
• 提出一种可证明接近最优的解决方案，以最大化本地卸载，从而减少集中式云的负载。

提出的方法

• 将联合服务部署与请求路由（JSPRR）问题建模为整数线性规划（ILP），并为每个基站设置存储、计算以及上行/下行链路带宽的约束。
• 对ILP的线性规划松弛问题应用随机化舍入，生成具有可证明近似保证的可行整数解。
• 利用从分数解中导出的概率分布，以随机方式将服务分配至基站，并相应地进行请求路由。
• 通过基于容量限制和服务需求调整舍入概率，确保资源约束得到满足。
• 将请求路由决策与服务部署相结合，在尊重多维资源预算的前提下最小化云卸载。

实验结果

研究问题

• RQ1 在存储、计算和非对称通信约束下，如何在多小区MEC网络中联合优化服务部署与请求路由？
• RQ2 在该联合优化问题中，最优整数解与实际近似算法之间的性能差距如何？
• RQ3 随机化舍入方法是否能在保持可证明近似界的同时，实现该多维问题的近似最优性能？
• RQ4 在云负载减少和资源利用率方面，所提出的算法与贪心算法和线性规划松弛基线相比表现如何？

主要发现

• 所提出的随机化舍入算法相比贪心基线，将集中式云负载最高减少25%，尤其在高存储容量下（例如每基站1250 GB）表现显著。
• 当每基站存储容量超过1000 GB时，该算法与最优解（通过线性规划松弛获得的下界）的性能差距小于10%。
• 在低计算容量下（≤3 GHz），该算法与最优解的差距小于3%，表明其在资源受限条件下仍具强大性能。
• 随机化舍入方法实现了更好的计算资源利用率——9个基站中有8个被使用，同时带宽使用量与贪心方法相当或略低。
• 该算法有效平衡了多维资源使用，大多数基站的存储和计算利用率均超过90%。
• 在非对称带宽约束下，与贪心基线相比，该算法的增益最为显著，改进幅度在9%至24%之间，具体取决于上行和下行链路容量设置。