[论文解读] Joint Subcarrier and CPU Time Allocation for Mobile Edge Computing

Yinghao Yu, Jun Zhang+1 more|arXiv (Cornell University)|Aug 22, 2016

IoT and Edge/Fog Computing参考文献 10被引用 22

一句话总结

本文提出了一种在OFDMA架构的云粒系统中用于移动边缘计算的联合子载波与CPU时间分配算法，旨在最小化移动设备的能量消耗。通过协调无线与计算资源的分配，该方法显著优于单独优化资源的方式，能量消耗最高可降低50%，在资源受限条件下支持近乎翻倍的卸载用户数。

ABSTRACT

In mobile edge computing systems, mobile devices can offload compute-intensive tasks to a nearby cloudlet,so as to save energy and extend battery life. Unlike a fully-fledged cloud, a cloudlet is a small-scale datacenter deployed at a wireless access point, and thus is highly constrained by both radio and compute resources. We show in this paper that separately optimizing the allocation of either compute or radio resource, as most existing works did, is highly suboptimal: the congestion of compute resource leads to the waste of radio resource, and vice versa. To address this problem, we propose a joint scheduling algorithm that allocates both radio and compute resources coordinately. Specifically, we consider a cloudlet in an Orthogonal Frequency-Division Multiplexing Access (OFDMA) system with multiple mobile devices, where we study subcarrier allocation for task offloading and CPU time allocation for task execution in the cloudlet. Simulation results show that the proposed algorithm significantly outperforms per-resource optimization, accommodating more offloading requests while achieving salient energy saving.

研究动机与目标

• 解决现有方法仅独立优化无线或计算资源导致的性能不佳问题，避免因拥塞造成的资源浪费。
• 通过在云粒系统中联合管理有限的无线与CPU资源，提升移动边缘计算的能量效率与系统容量。
• 设计一种近似最优的联合调度算法，协调子载波分配与可变长度CPU时间片分配，以实现任务卸载。
• 证明当卸载能带来显著能量节省时，协调资源管理可获得更大收益，尤其在用户多样性较高或CPU能力更强时更为明显。

提出的方法

• 在包含M个移动用户和N个子载波的OFDMA系统中，建立集中式资源分配问题模型，其中子载波被分配给用户用于上行链路传输。
• 将云粒建模为具有有限CPU频率f_c的小规模数据中心，为卸载任务分配非抢占式、可变长度的CPU时间片。
• 提出一种联合调度算法，同时优化子载波分配与CPU时间分配，以最小化总移动设备能量消耗。
• 采用最小组分配（MGA）方法进行子载波分配，使用动态规划方法作为CPU调度的基线单独资源优化方案。
• 在仿真中采用穷举搜索法获取最优解，用以基准对比所提联合算法的性能。
• 提出一个系统模型，考虑路径损耗、瑞利衰落以及硬件限制（如50 mW电路功耗、1 W最大发射功率）等因素。

实验结果

研究问题

• RQ1 与联合资源分配相比，仅优化无线资源或仅优化计算资源的单独优化方式在移动边缘计算中如何降低系统性能？
• RQ2 与单独优化相比，联合子载波与CPU时间分配在多大程度上可减少移动设备的能量消耗？
• RQ3 联合调度的性能增益如何随云粒覆盖半径、CPU频率和用户数量的变化而变化？
• RQ4 用户多样性与CPU能力对联合资源管理有效性有何影响？
• RQ5 在何种条件下，联合调度可接近无约束最优调度器的性能？

主要发现

• 与单独优化相比，联合分配可将能量消耗最高降低50%，即使每种单独优化方法本身已接近最优。
• 当CPU能力受限时，卸载用户数量几乎减少50%，凸显计算资源的关键作用。
• 当云粒CPU频率超过800 MHz后，对于小型系统（如3个用户），能量节省趋于饱和；但对于用户多样性更高的系统（如7个用户），能量节省仍持续增长。
• 随着CPU频率的提高，联合调度相比单独资源分配的性能优势更加显著，当处理能力足够高时，可接近最优性能。
• 当卸载能带来显著能量节省时，联合与单独优化之间的性能差距进一步扩大，表明在高收益场景下联合调度的优势更为突出。
• 更大的云粒覆盖半径会因路径损耗增加和传输距离变长而降低卸载增益，凸显密集部署云粒的必要性。