[论文解读] Optimal Task Scheduling in Communication-Constrained Mobile Edge Computing Systems for Wireless Virtual Reality

Xiao Yang, Zhiyong Chen+3 more|arXiv (Cornell University)|Aug 2, 2017

Caching and Content Delivery参考文献 6被引用 3

一句话总结

本文提出了一种面向无线虚拟现实（VR）的通信受限移动边缘计算（MEC）框架，通过联合优化通信、计算和缓存资源，最小化每个任务的平均传输数据量。采用基于李雅普诺夫的任务调度策略，动态选择本地执行与MEC卸载之间的平衡，以在满足20ms端到端延迟约束的前提下减少数据传输，与传统MEC方法相比显著降低了通信资源消耗。

ABSTRACT

Mobile edge computing (MEC) is expected to be an effective solution to deliver 360-degree virtual reality (VR) videos over wireless networks. In contrast to previous computation-constrained MEC framework, which reduces the computation-resource consumption at the mobile VR device by increasing the communication-resource consumption, we develop a communications-constrained MEC framework to reduce communication-resource consumption by increasing the computation-resource consumption and exploiting the caching resources at the mobile VR device in this paper. Specifically, according to the task modularization, the MEC server can only deliver the components which have not been stored in the VR device, and then the VR device uses the received components and the corresponding cached components to construct the task, resulting in low communication-resource consumption but high delay. The MEC server can also compute the task by itself to reduce the delay, however, it consumes more communication-resource due to the delivery of entire task. Therefore, we then propose a task scheduling strategy to decide which computation model should the MEC server operates, in order to minimize the communication-resource consumption under the delay constraint. Finally, we discuss the tradeoffs between communications, computing, and caching in the proposed system.

研究动机与目标

• 为解决传统计算受限MEC在360度VR中通信开销过高的问题，通过将权衡转向降低通信资源使用来实现优化。
• 开发一种任务调度策略，在严格的端到端延迟约束（例如20ms）下最小化每个任务的平均传输数据量。
• 在面向无线VR的移动边缘计算系统中，联合优化通信、计算和缓存资源。
• 证明利用本地计算和缓存可显著减少数据卸载量，相比完全MEC卸载具有优势。

提出的方法

• 基于李雅普诺夫优化理论，构建在延迟约束下最小化传输数据量的问题。
• 将任务建模为模块化组件（例如MMT资产），可在VR设备端通过缓存和接收的部分进行重构。
• 引入两种计算模型：(1) 使用缓存和接收的组件进行本地执行；(2) MEC卸载，即整个任务被传输并在MEC服务器上计算。
• 推导出一种动态调度策略，根据队列状态和系统约束，为每个任务选择最优计算模型。
• 采用漂移加惩罚框架，平衡延迟与通信成本，确保系统稳定性和近似最优性能。
• 通过理论分析证明，该算法与最优解之间的性能差距为O(1/V)。

实验结果

研究问题

• RQ1 在不损害端到端延迟的前提下，如何最小化移动边缘计算系统在无线VR中的通信资源消耗？
• RQ2 在支持VR的MEC系统中，通信、计算和缓存资源之间的最优权衡是什么？
• RQ3 与完全MEC卸载相比，本地计算和缓存能否减少数据卸载？在何种条件下可实现？
• RQ4 当移动VR设备的计算和缓存能力变化时，系统性能如何变化？
• RQ5 所提出的基于李雅普诺夫的调度策略在多大程度上逼近理论最优解？

主要发现

• 所提出的调度策略在平均传输数据量方面始终优于MEC计算策略，即使在移动设备中未缓存任何内容时也是如此。
• 随着移动VR设备计算能力的提升，通信资源消耗下降，因为更多任务可被卸载至本地执行。
• 当设备计算能力足够高时，本地计算成为最优调度策略，无需进行数据卸载。
• 缓存容量对通信减少的影响虽可测量，但远小于计算能力的影响，因为缓存仅影响本地执行性能。
• 系统与最优解之间的性能差距为O(1/V)，且随着V增大而减小，证实了理论收敛性。
• 在目标20ms端到端延迟下，通过联合分配更高的计算和缓存资源，系统可实现显著的通信节省，当计算和缓存能力提升时，所需传输吞吐量可从125 Mbps降低至67 Mbps。