[论文解读] Price-Based Distributed Offloading for Mobile-Edge Computing with Computation Capacity Constraints

Mengyu Liu, Yuan Liu|arXiv (Cornell University)|Dec 2, 2017

IoT and Edge/Fog Computing参考文献 8被引用 7

一句话总结

本文提出了一种基于价格的分布式卸载方案，用于具有有限计算能力的移动边缘计算（MEC）系统，采用Stackelberg博弈来建模边缘云（作为领导者）与用户（作为跟随者）之间的互动。边缘云通过设定最优价格以在容量限制下最大化收入，而用户则根据时延和支付成本独立决定是否卸载。主要贡献在于提出了一种分布式的、可扩展的解决方案，包含统一定价与差异化定价两种算法，实现接近最优的性能，且信令开销极低。

ABSTRACT

Mobile-edge computing (MEC) is a promising technology to enable real-time information transmission and computing by offloading computation tasks from wireless devices to network edge.

研究动机与目标

• 解决在有限边缘云容量下管理MEC系统中计算卸载的挑战，该问题在以往研究中常被忽略（以往研究多假设容量无限）。
• 设计一种分布式机制，在确保系统可行性与效率的前提下，公平分配有限的边缘计算资源给多个用户。
• 通过动态定价为边缘云（以最大化收入）和用户（以最小化成本）提供经济激励。
• 提出两种定价方案——统一定价与差异化定价——可无需用户与边缘云之间迭代反馈，在分布式环境中实现。
• 通过采用博弈论优化并最小化协调需求，确保低信令开销与可扩展性。

提出的方法

• 将边缘云与用户之间的互动建模为Stackelberg博弈，其中边缘云设定价格（领导者），用户选择卸载决策（跟随者）以最小化个体成本（时延 + 支付）。
• 在有限计算容量约束下，建立边缘云收入最大化问题，使用连续定价变量μ控制资源分配。
• 通过解析优化推导最优定价策略，证明最优价格μ*必须位于关键点1/F_k处，其中F_k为用户k的本地CPU频率。
• 提出统一定价方案（所有用户面对相同价格）与差异化定价方案（价格根据用户个体计算与信道特性而异）。
• 以分布式方式实现两种方案：用户基于报告的系统参数（C_k, F_k, h_k）在本地计算最优卸载决策，边缘云基于聚合用户数据计算价格。
• 在差异化定价情况下，使用动态规划求解相应的0-1背包问题，以实现最优用户选择，确保接近最优的资源分配。

实验结果

研究问题

• RQ1 如何使具有有限计算能力的边缘云以分布式方式高效管理来自多个用户的卸载任务？
• RQ2 何种定价策略可使边缘云在遵守容量约束并确保系统可行性的同时最大化收入？
• RQ3 如何激励用户在去中心化环境中做出兼顾时延与成本的卸载决策？
• RQ4 统一定价与差异化定价方案在性能（时延与收入）与实现复杂度之间存在何种权衡？
• RQ5 是否可实现一种分布式的、低开销的定价机制，在具有异构用户能力的多用户MEC系统中实现接近最优的资源分配？

主要发现

• 所提出的差异化定价方案在平均时延与收入方面均优于统一定价方案，原因在于其基于用户特定特征实现更精确的资源分配。
• 边缘云的最优定价策略必须出现在关键点μ* = 1/F_k处，证明最优价格是离散的，且可在有限集合中高效搜索。
• 随着计算容量增加，平均时延与收入均显著提升，而仅本地处理方案则不受容量影响，证实了卸载的优势。
• 用户数量增加时，平均时延因频谱共享而上升，但边缘云的收入也因竞争加剧与定价压力上升而提高。
• 统一定价方案在复杂度与信令开销较低的情况下仍能实现良好性能，适用于大规模或时延敏感的MEC部署。
• 所提出的方案完全为分布式：用户基于本地知识与报告价格做出卸载决策，边缘云使用全局但非迭代的聚合数据计算价格，确保可扩展性。