[论文解读] Pricing-Driven Service Caching and Task Offloading in Mobile Edge Computing

Yan Jia, Suzhi Bi+2 more|arXiv (Cornell University)|Nov 4, 2020

IoT and Edge/Fog Computing参考文献 23被引用 7

一句话总结

本文提出了一种在移动边缘计算（MEC）中基于定价的服务缓存与任务卸载框架，采用不完全信息下的两阶段动态博弈。在贝叶斯均衡下推导出基于阈值的卸载策略，并设计了一种低复杂度算法，联合优化定价与缓存策略，表明对于工作量相同的缓存程序，差异化定价应收取相同价格。

ABSTRACT

Provided with mobile edge computing (MEC) services, wireless devices (WDs) no longer have to experience long latency in running their desired programs locally, but can pay to offload computation tasks to the edge server. Given its limited storage space, it is important for the edge server at the base station (BS) to determine which service programs to cache by meeting and guiding WDs' offloading decisions. In this paper, we propose an MEC service pricing scheme to coordinate with the service caching decisions and control WDs' task offloading behavior. We propose a two-stage dynamic game of incomplete information to model and analyze the two-stage interaction between the BS and multiple associated WDs. Specifically, in Stage I, the BS determines the MEC service caching and announces the service program prices to the WDs, with the objective to maximize its expected profit under both storage and computation resource constraints. In Stage II, given the prices of different service programs, each WD selfishly decides its offloading decision to minimize individual service delay and cost, without knowing the other WDs' desired program types or local execution delays. Despite the lack of WD's information and the coupling of all the WDs' offloading decisions, we derive the optimal threshold-based offloading policy that can be easily adopted by the WDs in Stage II at the Bayesian equilibrium. Then, by predicting the WDs' offloading equilibrium, we jointly optimize the BS' pricing and service caching in Stage I via a low-complexity algorithm. In particular, we study both the uniform and differentiated pricing schemes. For differentiated pricing, we prove that the same price should be charged to the cached programs of the same workload.

研究动机与目标

• 通过联合优化服务缓存与定价决策，解决移动边缘计算（MEC）中边缘服务器存储资源受限的挑战。
• 将基站（BS）与多个无线设备（WDs）之间的交互建模为具有不完全信息的两阶段动态博弈，以反映无线设备私有特征中的现实不确定性。
• 通过战略性地设定价格并选择缓存服务，在存储与计算约束下使基站实现预期利润最大化。
• 设计一种去中心化的基于阈值的卸载策略，使无线设备可在缺乏对他人决策完全了解的情况下，在贝叶斯纳什均衡下采用该策略。
• 为统一定价与差异化定价方案提供分析与算法解决方案，证明最优定价策略的结构性质。

提出的方法

• 构建两阶段斯塔克尔贝格博弈：在第一阶段，基站设定价格并选择缓存服务以最大化利润；在第二阶段，无线设备根据价格、信道质量与竞争情况独立决定是否卸载或本地计算。
• 将无线设备的私有信息（程序类型、本地延迟、卸载时间）建模为具有已知分布的随机变量，从而在不完全信息下进行分析。
• 在贝叶斯纳什均衡下推导出基于阈值的卸载策略：当信道增益超过与价格、工作量及预期竞争相关的阈值时，无线设备选择卸载。
• 利用均衡卸载行为预测无线设备需求，并通过一种低复杂度算法联合优化基站的定价与缓存决策。
• 证明在差异化定价下，工作量相同的程序应收取相同价格，从而简化定价策略设计并确保公平性。
• 利用均衡参数与预期利润的解析表达式，推导出最优定价与缓存的闭式条件。

实验结果

研究问题

• RQ1 在资源受限的MEC环境中，基站如何最优地选择缓存哪些服务程序并设定价格，以实现其预期利润最大化？
• RQ2 当无线设备缺乏对他人决策与私有特征的完整信息时，其卸载行为在均衡状态下如何表现？
• RQ3 定价、缓存与竞争之间的相互作用如何影响整体系统性能以及单个无线设备的成本与延迟？
• RQ4 在差异化定价下，最优定价策略的结构性质是什么？其如何依赖于工作量与流行度？
• RQ5 能否设计一种低复杂度算法，基于预测的均衡卸载行为，联合优化定价与缓存决策？

主要发现

• 每个无线设备的最优卸载决策遵循基于信道质量的阈值策略，当竞争较弱或价格较低时，卸载可能性更高。
• 在差异化定价下，最优策略对工作量相同的缓存程序收取相同价格，从而简化定价策略设计。
• 当工作量相等时，两个缓存程序的最优价格相同：$\pi_j^* = \pi_k^* = \frac{\bar{\theta}}{2} - \frac{1}{2f^c}$，其中$\bar{\theta}$为最大信道增益，$f^c$为计算成本因子。
• 某程序的最优价格取决于竞争程序的流行度与工作量：若$L_j > L_k$，则$\pi_j^* < \pi_k^*$，表明计算更密集的程序应定价更低以鼓励卸载。
• 当工作量低于竞争程序时，程序价格随其自身流行度增加而上升；但若工作量与系统参数不同，价格可能先下降后上升。
• 联合优化算法在显著降低复杂度的同时实现接近最优的利润，使该方案可在动态蜂窝网络中实际部署。