[论文解读] Multiuser Resource Allocation for Mobile-Edge Computation Offloading

Changsheng You, Kaibin Huang|arXiv (Cornell University)|Apr 9, 2016

IoT and Edge/Fog Computing参考文献 13被引用 6

一句话总结

本文提出一种基于阈值的多用户移动边缘计算卸载（MECO）资源分配方案，以最小化加权总能耗。通过基于信道增益和本地计算能耗推导出的卸载优先级函数，最优策略使高于阈值的用户完全卸载，低于阈值的用户最小化卸载，而次优算法在较低复杂度下实现了接近最优的性能。

ABSTRACT

Mobile-edge computation offloading (MECO) offloads intensive mobile computation to clouds located at the edges of cellular networks. Thereby, MECO is envisioned as a promising technique for prolonging the battery lives and enhancing the computation capacities of mobiles. In this paper, we consider resource allocation in a MECO system comprising multiple users that time share a single edge cloud and have different computation loads. The optimal resource allocation is formulated as a convex optimization problem for minimizing the weighted sum mobile energy consumption under constraint on computation latency and for both the cases of infinite and finite edge cloud computation capacities. The optimal policy is proved to have a threshold-based structure with respect to a derived offloading priority function, which yields priorities for users according to their channel gains and local computing energy consumption. As a result, users with priorities above and below a given threshold perform complete and minimum offloading, respectively. Computing the threshold requires iterative computation. To reduce the complexity, a sub-optimal resource-allocation algorithm is proposed and shown by simulation to have close-to-optimal performance.

研究动机与目标

• 解决共享边缘云资源下多用户移动边缘计算卸载（MECO）系统的能效问题。
• 在计算时延和资源约束下，最小化加权总移动设备能耗。
• 揭示采用时分多址（TDMA）的MECO系统最优资源分配策略的结构特性。
• 设计一种复杂度低、性能接近最优的次优算法。

提出的方法

• 将资源分配问题建模为凸优化问题，以在时延和容量约束下最小化加权总移动设备能耗。
• 基于用户信道增益和本地计算能耗，推导出卸载优先级函数。
• 证明最优策略具有基于阈值的结构：优先级高于阈值的用户完全卸载，低于阈值的用户最小化卸载。
• 利用拉格朗日对偶和Lambert W函数，解析求解对偶问题并推导出阈值。
• 提出一种次优算法，避免迭代计算阈值，同时保持接近最优的性能。
• 通过仿真验证性能，结果表明在显著降低复杂度的同时，实现了接近最优的能耗节省。

实验结果

研究问题

• RQ1 在共享边缘云容量的多用户MECO系统中，最优资源分配结构是什么？
• RQ2 上行链路传输能耗与本地计算能耗之间的权衡如何影响卸载决策？
• RQ3 能否通过简单的基于阈值的策略在MECO系统中实现接近最优的能效？
• RQ4 用户特定的信道质量与本地计算能耗在确定卸载优先级中起什么作用？
• RQ5 如何在不牺牲性能的前提下降低寻找最优阈值的计算复杂度？

主要发现

• 最优资源分配策略具有基于阈值的结构：优先级高于阈值的用户完全卸载，低于阈值的用户最小化卸载。
• 卸载优先级函数依赖于信道增益和本地计算能耗，实现了公平且高效的用户优先级排序。
• 最优阈值通过Lambert W函数推导得出，需迭代计算，这促使了次优替代方案的提出。
• 仿真结果表明，所提出的次优算法性能在5%以内接近最优解，且复杂度显著降低。
• 通过联合优化无线与计算资源，系统在有限容量边缘云场景下实现了显著的能耗节省。
• 理论分析表明，当优先级函数定义得当时，最优策略对单个用户数据量不敏感。