[论文解读] Optimal Task Offloading and Resource Allocation in Mobile-Edge Computing with Inter-user Task Dependency

Yan Jia, Suzhi Bi+2 more|arXiv (Cornell University)|Oct 26, 2018

IoT and Edge/Fog Computing参考文献 32被引用 13

一句话总结

本文提出了一种针对具有用户间任务依赖关系的双用户系统中移动边缘计算（MEC）的最优任务卸载与资源分配框架，其中一用户的任务依赖于另一用户的输出。该研究提出了一种二分搜索方法用于功率与频率优化，并证明了单次爬升卸载策略，从而实现低复杂度的吉布斯采样算法，该算法在能效与时延性能方面显著优于基准方法。

ABSTRACT

Mobile-edge computing (MEC) has recently emerged as a cost-effective paradigm to enhance the computing capability of hardware-constrained wireless devices (WDs). In this paper, we first consider a two-user MEC network, where each WD has a sequence of tasks to execute. In particular, we consider task dependency between the two WDs, where the input of a task at one WD requires the final task output at the other WD. Under the considered task-dependency model, we study the optimal task offloading policy and resource allocation (e.g., on offloading transmit power and local CPU frequencies) that minimize the weighted sum of the WDs' energy consumption and task execution time. The problem is challenging due to the combinatorial nature of the offloading decisions among all tasks and the strong coupling with resource allocation. To tackle this problem, we first assume that the offloading decisions are given and derive the closed-form expressions of the optimal offloading transmit power and local CPU frequencies. Then, an efficient bi-section search method is proposed to obtain the optimal solutions. Furthermore, we prove that the optimal offloading decisions follow an one-climb policy, based on which a reduced-complexity Gibbs Sampling algorithm is proposed to obtain the optimal offloading decisions. We then extend the investigation to a general multi-user scenario, where the input of a task at one WD requires the final task outputs from multiple other WDs. Numerical results show that the proposed method can significantly outperform the other representative benchmarks and efficiently achieve low complexity with respect to the call graph size.

研究动机与目标

• 解决具有用户间任务依赖关系的MEC系统中联合任务卸载与资源分配的挑战。
• 在用户间任务依赖耦合的条件下，最小化能量消耗与任务执行时间的加权和。
• 设计一种高效优化框架，以处理卸载决策的组合性质以及与资源分配的强耦合性。
• 将解决方案扩展至多用户场景，其中某任务依赖于多个其他用户的输出。
• 通过卸载策略的结构洞察，降低计算复杂度，同时保持最优性。

提出的方法

• 假设卸载决策固定，利用拉格朗日松弛法推导出最优发射功率与本地CPU频率的闭式表达式。
• 应用二分搜索算法高效求解对偶问题，获得最优资源分配参数。
• 证明最优卸载决策遵循单次爬升策略，即每个用户执行过程从本地到边缘（或反之）的迁移最多发生一次。
• 提出一种基于单次爬升特性的低复杂度吉布斯采样算法，以高效探索卸载决策空间。
• 将框架扩展至多用户场景，其中某任务的输入依赖于多个其他用户的输出。
• 使用调用图建模任务依赖关系，并将优化问题表述为混合整数非凸规划问题。

实验结果

研究问题

• RQ1 在具有用户间任务依赖关系的双用户MEC系统中，如何联合设计最优任务卸载与资源分配？
• RQ2 在这样的依赖约束下，最优卸载决策具有何种结构特性？
• RQ3 能否在保持最优性的同时，显著降低求解组合式卸载问题的复杂度？
• RQ4 与现有基准方法相比，所提方法在能效与时延方面的性能表现如何？
• RQ5 该解决方案在任务依赖图规模增大时的可扩展性如何？

主要发现

• 最优卸载决策遵循单次爬升策略，显著降低了搜索空间的复杂度。
• 所提出的吉布斯采样算法在计算复杂度极低的情况下实现近似最优性能，且对调用图规模不敏感。
• 数值结果表明，所提方法在能量消耗与任务执行时间方面均显著优于基准算法。
• 二分搜索方法能高效计算给定卸载决策下的最优发射功率与CPU频率。
• 该框架可扩展至包含多个输入源的一般任务依赖图的多用户场景。
• 即使在信道条件变化时，该解决方案仍保持低复杂度，表明其具备通过进一步集成人工智能实现在线自适应的潜力。