[论文解读] Wireless Networks for Mobile Edge Computing: Spatial Modeling and Latency Analysis (Extended version)

Seung‐Woo Ko, Kaifeng Han+1 more|arXiv (Cornell University)|Sep 6, 2017

IoT and Edge/Fog Computing参考文献 30被引用 9

一句话总结

本文提出了一种用于移动边缘计算（MEC）网络的空间随机模型，分析了在随机用户分布、非正交多址接入和并行服务器处理下的通信与计算时延。通过随机几何、排队论和并行计算方法，推导出尺度律，表明时延随用户密度对数增长，且与服务器和带宽资源成反比，为避免MEC部署中的瓶颈提供了设计指导。

ABSTRACT

Next-generation wireless networks will provide users ubiquitous low-latency computing services using devices at the network edge, called mobile edge computing (MEC). The key operation of MEC, mobile computation offloading (MCO), is to offload computation intensive tasks from users. Since each edge device comprises an access point (AP) and a computer server (CS), a MEC network can be decomposed as a radio access network (RAN) cascaded with a CS network (CSN). Based on the architecture, we investigate network constrained latency performance, namely communication latency (comm-latency) and computation latency (comp-latency) under the constraints of RAN coverage and CSN stability. To this end, a spatial random network is modeled featuring random node distribution, parallel computing, non-orthogonal multiple access, and random computation-task generation. Given the model and the said network constraints, we derive the scaling laws of comm-latency and comp-latency with respect to network-load parameters (density of mobiles and their task-generation rates) and network-resource parameters (bandwidth, density of APs/CSs, CS computation rate). Essentially, the analysis involves the interplay of theories of stochastic geometry, queueing, and parallel computing. Combining the derived scaling laws quantifies the tradeoffs between the latencies, network coverage and network stability. The results provide useful guidelines for MEC-network provisioning and planning by avoiding either of the cascaded RAN or CSN being a performance bottleneck.

研究动机与目标

• 将大规模MEC网络建模为无线接入与服务器网络的级联结构，其中接入点和移动用户的空间部署为随机分布。
• 在可扩展且现实的设置下，分析网络约束（包括无线覆盖和服务器稳定性）下的端到端时延。
• 推导出通信与计算时延的基本尺度律，其变量包括用户密度、任务生成速率、带宽和服务器容量等关键网络参数。
• 提供设计指南，防止MEC系统中的无线或计算层成为性能瓶颈。

提出的方法

• 使用泊松点过程（PPPs）对接入点（APs）和移动用户进行建模，将MEC网络表示为空间随机过程。
• 引入两层架构：无线接入层采用非正交多址接入，计算层在边缘服务器上采用并行虚拟机（VMs）。
• 应用随机几何分析下行链路覆盖与上行链路干扰，使用排队论建模任务到达与服务器处理过程。
• 利用Pollaczek-Khinchine公式推导计算时延的上界，并应用极值理论以限制每帧的最大任务数。
• 采用泊松近似处理AP处的任务到达，以简化分析，其有效性通过补充仿真得到验证。
• 结合随机几何、排队论与并行计算的尺度律，量化时延、覆盖与稳定性之间的权衡。

实验结果

研究问题

• RQ1 在采用非正交多址接入的MEC网络中，通信时延如何随移动用户密度和带宽变化？
• RQ2 计算时延如何随边缘服务器上虚拟机数量、服务器计算速率和任务到达速率变化？
• RQ3 接入点与用户分布的空间随机性对MEC系统整体端到端时延有何影响？
• RQ4 在I/O干扰条件下，异步与同步任务卸载策略在计算时延方面有何比较？
• RQ5 大规模MEC部署中，网络覆盖、稳定性与时延之间的基本权衡关系是什么？

主要发现

• 通信时延随用户密度对数增长，且与带宽和AP密度成反比，表明在高负载下收益递减。
• 计算时延随每个任务的边缘计算时间或I/O干扰退化因子呈指数增长，凸显对服务器性能的高度敏感性。
• 异步卸载方案始终比同步卸载具有更低的计算时延，且随着任务到达速率增加，两者差距减小。
• 在高任务生成速率下，异步与同步计算时延的比值收敛于一个常数，表明在重载条件下相对性能增益趋于饱和。
• AP处任务到达的泊松近似被验证为准确，支持在大规模MEC分析中使用可 tractable 的解析工具。
• 推导出的尺度律识别出无线接入层或计算层成为瓶颈的关键阈值，支持主动的网络规划。