[论文解读] Latency and Reliability-Aware Task Offloading and Resource Allocation for Mobile Edge Computing

Chen–Feng Liu, Mehdi Bennis+1 more|arXiv (Cornell University)|Oct 2, 2017

IoT and Edge/Fog Computing参考文献 12被引用 12

一句话总结

本文提出了一种面向移动边缘计算（MEC）的时延与可靠性感知的任务卸载与资源分配框架，结合极值理论（EVT）与李雅普诺夫优化，旨在满足概率性时延与队列长度约束下最小化计算与传输能耗。该方法通过主动管理极端队列长度事件，实现超可靠低时延通信（URLLC），显著提升了高计算负载场景下的可靠性与能效-时延权衡性能。

ABSTRACT

While mobile edge computing (MEC) alleviates the computation and power limitations of mobile devices, additional latency is incurred when offloading tasks to remote MEC servers. In this work, the power-delay tradeoff in the context of task offloading is studied in a multi-user MEC scenario. In contrast with current system designs relying on average metrics (e.g., the average queue length and average latency), a novel network design is proposed in which latency and reliability constraints are taken into account. This is done by imposing a probabilistic constraint on users' task queue lengths and invoking results from extreme value theory to characterize the occurrence of low-probability events in terms of queue length (or queuing delay) violation. The problem is formulated as a computation and transmit power minimization subject to latency and reliability constraints, and solved using tools from Lyapunov stochastic optimization. Simulation results demonstrate the effectiveness of the proposed approach, while examining the power-delay tradeoff and required computational resources for various computation intensities.

研究动机与目标

• 解决在超可靠低时延通信（URLLC）系统中，基于平均值的指标（如平均队列长度）的局限性，其中最坏情况性能至关重要。
• 对多用户 MEC 网络中的队列长度与排队时延违规行为建模并施加概率约束，以确保系统可靠性。
• 在动态任务卸载场景下，最小化总计算与传输能耗，同时满足严格的时延与可靠性要求。
• 同时考虑用户设备（UE）与 MEC 服务器端的排队时延，包括因 CPU 核心数量有限与干扰导致的等待时间。
• 设计一种动态、实时的资源分配策略，通过随机优化方法适应不断变化的任务到达速率与计算负载。

提出的方法

• 建立一个在队列长度与排队时延概率约束下最小化能耗的优化问题，确保 Pr(队列长度 > δ) ≤ 10⁻²。
• 应用极值理论（EVT），特别是广义帕累托分布（GPD），对队列长度的尾部分布进行建模，以估计极端事件发生的概率。
• 利用广义帕累托分布（GPD）近似超过高阈值的队列长度的条件超额分布，从而实现对罕见但关键的时延违规事件的精确预测。
• 采用李雅普诺夫随机优化方法，推导出一种联合任务卸载、本地计算与资源分配的动态策略，以稳定队列并满足可靠性约束。
• 将系统建模为多个 UE 与多核 MEC 服务器的组合，引入无线信道衰落、干扰因素，并基于信道增益阈值动态决定服务器访问。
• 将 UE 端与服务器端的排队时延统一整合为端到端时延指标，其概率边界由 EVT 推导，用于指导系统设计。

实验结果

研究问题

• RQ1 在多用户 MEC 环境中，如何有效建模并强制执行概率性时延与队列长度约束，以确保超可靠性？
• RQ2 与基于平均值的指标相比，使用极值理论在预测罕见但高影响的排队时延违规事件方面，其准确性提升程度如何？
• RQ3 在高任务到达率与计算负载下，访问多个 MEC 服务器对端到端时延与可靠性有何影响？
• RQ4 所提出的基于李雅普诺夫的策略如何在满足严格时延与可靠性要求的前提下，平衡计算与传输能耗？
• RQ5 在不同计算强度下，每个 UE 所需的 MEC 服务器数量是多少，才能实现最优的可靠性与时延性能？

主要发现

• 当任务计算强度较高时（例如 L = 8250 cycles/bit），所提框架的平均端到端时延显著低于本地计算，且可靠性更高。
• 当 L = 8250 cycles/bit 时，访问两个 MEC 服务器（|S_i| = 2）可实现最低的平均端到端时延，表明在资源访问与干扰之间实现了最优权衡。
• 系统实现了队列长度尾部概率 Pr(Q > 2.6×10⁵) = 3×10⁻⁴，接近目标可靠性阈值 10⁻²，证实了约束的有效执行。
• 广义帕累托分布（GPD）近似能够收敛至条件超额队列长度的真实尾部分布，从而实现对极端事件的精确预测。
• 即使在引入服务器端排队时延的情况下，MEC 主导的方法仍能降低端到端时延并提升可靠性，尤其在任务到达率与计算需求较高时表现更优。
• 该框架通过极值理论实现对极端时延事件的主动管理，适用于 AR/VR 与任务关键型物联网等 URLLC 应用。