[论文解读] Joint Task Offloading Scheduling and Transmit Power Allocation for Mobile-Edge Computing Systems

Yuyi Mao, Jun Zhang+1 more|arXiv (Cornell University)|Jan 18, 2017

IoT and Edge/Fog Computing参考文献 13被引用 11

一句话总结

本文提出了一种低复杂度的次优算法，联合优化单用户移动边缘计算（MEC）系统中的任务卸载调度与传输功率分配，以最小化执行延迟和设备能量消耗的加权和。通过利用流水车间调度理论与凸优化，该算法在资源平衡时实现了接近最优的延迟性能，并显著降低了能耗。

ABSTRACT

Mobile-edge computing (MEC) has emerged as a prominent technique to provide mobile services with high computation requirement, by migrating the computation-intensive tasks from the mobile devices to the nearby MEC servers. To reduce the execution latency and device energy consumption, in this paper, we jointly optimize task offloading scheduling and transmit power allocation for MEC systems with multiple independent tasks. A low-complexity sub-optimal algorithm is proposed to minimize the weighted sum of the execution delay and device energy consumption based on alternating minimization. Specifically, given the transmit power allocation, the optimal task offloading scheduling, i.e., to determine the order of offloading, is obtained with the help of flow shop scheduling theory. Besides, the optimal transmit power allocation with a given task offloading scheduling decision will be determined using convex optimization techniques. Simulation results show that task offloading scheduling is more critical when the available radio and computational resources in MEC systems are relatively balanced. In addition, it is shown that the proposed algorithm achieves near-optimal execution delay along with a substantial device energy saving.

研究动机与目标

• 为解决在无线电与计算资源受限的MEC系统中最小化执行延迟与设备能量消耗的挑战。
• 在资源约束下，联合优化任务卸载调度（即卸载顺序）与传输功率分配。
• 开发一种低复杂度的次优算法，以平衡性能与计算可行性。
• 研究资源平衡（无线电与计算）对调度有效性的影响。
• 通过自适应功率分配与最优调度，展示能量-延迟权衡。

提出的方法

• 建立混合整数非线性规划（MINLP）问题，以联合最小化执行延迟与设备能量消耗的加权和。
• 采用交替优化：固定传输功率，利用流水车间调度理论求解最优任务卸载顺序。
• 固定任务卸载调度，利用凸优化技术求解最优传输功率。
• 利用流水车间调度确定在顺序MEC执行约束下最优的任务卸载序列。
• 采用凸优化计算在给定调度决策下的功率分配，以最小化能量成本。
• 采用带参数 η 的加权目标函数，以平衡延迟与能量消耗。

实验结果

研究问题

• RQ1 当无线电与计算资源平衡时，任务卸载调度对系统性能有何影响？
• RQ2 在延迟与能耗方面，最优调度相较于随机调度的性能增益如何？
• RQ3 自适应传输功率分配如何影响执行延迟与设备能量消耗之间的权衡？
• RQ4 系统资源约束（如单信道、单核CPU）对联合调度与功率优化有何影响？
• RQ5 在何种情况下，增加传输功率对延迟减少的边际收益开始递减？

主要发现

• 当无线电与计算资源平衡时（例如，R = f_ser / c_avg），最优任务卸载调度相比随机调度实现了6.1%的性能增益。
• 所提算法在将设备能量消耗降低高达78%的同时，实现了接近最优的执行延迟（当 f_ser = 1 GHz 且 η = 100 sec·J⁻¹ 时）。
• 提高传输速率带来的延迟减少在从0.63 Mbps提升至1.25 Mbps时最为显著，超过该范围后由于计算瓶颈导致收益递减。
• 当设备能量消耗足够低时（η 较大），不同MEC CPU速度下的延迟性能趋于收敛，表明无线电资源成为系统瓶颈。
• 超过某一阈值后，进一步增加传输功率无法带来延迟的进一步改善，表明延迟-能量权衡存在饱和点。
• 当无线电与计算资源平衡时，最优调度策略最为有效，而非在某一资源主导另一资源时。