Socially-Motivated Cooperative Mobile Edge Computing论文阅读

Socially-Motivated Cooperative Mobile Edge Computing

社交合作的移动边缘计算

摘要

​ 在本文中，我们提出了一种新的基于社会动机的协作移动边缘计算的范例，其中利用移动和可穿戴设备用户之间的社交联系结构来实现有效且可信赖的协作，以执行协作计算任务。我们设想将本地设备计算和网络资源共享相结合，为设备提供多种灵活的任务执行方法，包括本地移动执行，D2D卸载执行，直接云卸载执行和D2D辅助云卸载执行。具体来说，我们提出了一种用于协作移动边缘计算的系统模型，其中开发了设备社交图模型来捕获设备之间的社交关系。然后，通过将社交联系结构集成到设备计算和网络资源共享过程中，设计出一种基于社交感知二分匹配的协作任务卸载算法。我们使用Erdos-Renyi和基于真实轨迹的社交图评估社交动机的协作移动边缘计算的性能，这证实了所提出的社交意识机制的优越性能。

---

社交图 Social Graph

什么是社交图：https://www.wisegeek.com/what-is-the-social-graph.htm 社交图不仅包括个人之间的关系，还包括与虚拟对象（如照片，页面和事件）的连接

从web graph到social graph，搜索引擎正在发生的革命 https://www.huxiu.com/article/9321.html

Erdos-Renyi

https://www.jianshu.com/p/7b2f65585438

---

介绍

​ 随着智能手机和可穿戴设备等智能移动设备的日益普及，诸如实时人脸识别，自然语言处理，虚拟现实和增强现实等越来越多的智能移动应用正在兴起。这种移动应用程序通常运行资源消耗大的算法（例如，深度学习和GPU渲染）[1]，这将需要大量的计算以及高能耗。但是，受物理尺寸约束的影响，大多数移动设备通常受到资源限制，其计算能力和电池容量是有限的。

​ 为了应对这一挑战，已经提出了移动边缘计算（更普遍的为雾计算），这是一种新兴的范例，它利用多种协作的终端用户和/或临近用户设备来完成大量的计算任务（从[2]中获益）。如图1所示，可以利用不同类型的设备（例如，可穿戴设备，智能手机和平板电脑）的多种功能和多路复用增益（因为设备之间资源可用性在运行中的异构性）来支持协作任务执行 。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aUgJENAE-1589331529315)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583044071203.png)]

通过在设备之间协作地共享异构计算和通信资源，我们构想了协作移动边缘计算的新范例，设备用户可以灵活地在多种方法中进行选择来根据用户的不同需求和设备的资源条件进行任务执行（请参阅 图2为示意图），包括以下内容：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Vw7smTeN-1589331529318)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583044817627.png)]

• 本地移动执行Local Mobile Execution：设备用户可以选择在其移动设备上本地执行任务，以避免任务卸载时产生过多的开销（图2a）
• 设备到设备卸载执行Device-to-Device (D2D) Offloaded Execution：网络边缘附近的设备可以通过D2D通信[3]进行任务卸载，从而彼此之间有利地共享计算资源（图2b）。
• 直接云卸载执行Direct Cloud Offloaded Execution：设备可以通过其高质量的蜂窝通信链路将其任务直接卸载到边缘云，从而利用强大的云计算功能（图2c）。
• D2D辅助的云卸载执行D2D-Assisted Cloud Offloaded Execution：蜂窝连接不良的设备可以首先通过D2D连接将其计算任务转移到附近具有高质量蜂窝链路的设备，然后可以帮助将计算繁重的任务卸载到边缘云 （图2d）。

---

D2D通信

D2D通信技术是指两个对等的用户节点之间直接进行通信的一种通信方式。在由D2D通信用户组成的分布式网络中，每个用户节点都能发送和接收信号，并具有自动路由(转发消息)的功能。网络的参与者共享它们所拥有的一部分硬件资源，包括信息处理、存储以及网络连接能力等。这些共享资源向网络提供服务和资源，能被其它用户直接访问而不需要经过中间实体。在D2D通信网络中，用户节点同时扮演服务器和客户端的角色，用户能够意识到彼此的存在，自组织地构成一个虚拟或者实际的群体。

蜂窝移动通信系统

https://baike.baidu.com/item/蜂窝移动通信系统

---

​ 为了囊括协作移动边缘计算所带来的巨大利益，关键的挑战是如何激发设备之间的有效协作。例如，一方面，为了实现高效的D2D卸载执行，它要求附近的设备以协作的方式共享其计算资源。 另一方面，为了实现高效的云卸载执行，通常需要高质量的蜂窝连接才能将任务卸载到边缘云。由于局部环境因素（例如，衰退）和异构传输技术（例如3G / 4G），不同的设备将经历各种蜂窝传输条件。因此，非常需要在设备之间进行蜂窝网络资源共享以实现有效的云任务数据传输的合作。 为了解决这些挑战，在本文中，我们提出了一种社会动机的协作移动边缘计算的新范例以实现高效的混合任务卸载。由于移动和可穿戴设备是人类携带和拥有的，因此有希望利用人类固有的社会纽带来激发协作式移动边缘计算。 随着诸如Facebook和Wechat之类的在线移动社交媒体的广泛渗透，许多用户正在积极地参与在线社交互动，因此用户之间的社交关系得到了广泛的扩展。 这实际上为探索社会维度并实现了具有社会动机的协作移动边缘计算系统设计开辟了新空间。

​ 如图3所示，设备用户的社交关系结构就可以激发他们为设备计算和网络资源共享实现有效和可信赖的合作。这将成为社会动机的协作移动边缘计算系统的基石。具体来说，我们首先介绍用于联合本地计算和网络资源共享的协作移动边缘计算系统模型，该模型可以为设备提供灵活多样的任务执行方法。因此，我们随后提出了一种设备社交图模型来捕获设备之间的社交关系，然后通过将社交联系结构集成到设备计算和网络资源共享过程中，开发出一种基于社交感知的二分匹配的协作任务卸载算法。使用Erdos-Renyi和基于真实轨迹的社交图进行的广泛表现评估，证实了所提出的具有社交意识的协作任务卸载解决方案的出色性能。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fQ3V3Ds7-1589331529321)(…\2018-Socially-Motivated Cooperative Mobile Edge C\1583385570449.png)]

​ 本文的其余部分组织如下： 首先，我们将在以下部分中讨论相关工作，然后介绍协作移动边缘计算系统模型。 然后，我们提出了具有社会意识的协作任务卸载算法，讨论扩展方向，最后总结本文。

相关工作

​ 近年来，移动边缘计算已引起了广泛的关注（参见[4-6]）。 例如，在文献[5]研究了具有能量收集能力的移动边缘计算的单设备动态计算卸载问题。 在[6]中，通过假设所有设备用户都愿意合作，为移动边缘计算中的多设备计算卸载设计了一种有效节能资源的分配框架。 沿着不同的思路，在本文中，我们考虑了通过联合计算和网络资源共享实现社会动机的协作移动边缘计算，可以在设备之间实现高度灵活的任务执行方法。

​ 最近有一些研究通过激励机制设计解决了移动边缘计算中的设备协作问题。 例如，在[7]中提出了一种基于拍卖的定价机制，以激励合作进行计算资源共享。 在[8]中，为分散管理的边缘资源交易设计了类似比特币的虚拟货币系统。 但是，由于超高的系统开销和操作复杂性，这些激励方案是否可以在实践中实现尚不明确，这很容易减少协作移动边缘计算的收益。 例如，强大的权限对于在[7]中实施拍卖机制至关重要，在[8]中，每个单独的参与用户都需要足够的计算资源来运行虚拟货币系统。

​ 社会方面正在成为未来网络系统设计的一个新的重要方面[9]。 例如，文献[10]中使用社交网络绑定来设计VANET（车载自组网）中的隐私保护数据包转发协议。 在==[11]==中的先前研究中，我们提出了一种用于协作网络设计的社交团体效用最大化的新框架。 与这些用于网络研究的工作不同，在本文中，我们考虑了用于移动边缘计算的具有社会意识的合作刺激方法，该方法涉及计算和网络资源共享。 此外，通过利用设备用户之间可信赖的社交关系，我们可以提高移动任务卸载的安全级别，这在计算任务涉及对隐私敏感的输入数据（例如，移动健康计算和推理）时尤其有用。

---

VANET（车辆自组网）

http://www.baike.com/wiki/VANET

---

合作移动边缘计算模型

​ 我们考虑移动边缘计算场景，其中有一组多个用户设备，并且运营商在网络边缘部署了云服务器[12]。设备可以与基站建立蜂窝链路，也可以与附近的另一个设备建立D2D链路[3]。我们介绍了D2D连接图，其中设备集是顶点集，并且在设备顶点之间存在一条边，并且如果可行的话在相应的设备之间建立D2D连接。

​ 根据通讯和计算资源共享中两个设备i和j的协作效率，我们可以获取本地移动执行的能源成本==$$w_i^l$$==，D2D卸载执行的能源成本==$$w_{ij}^d$$==，直接云卸载执行的能源成本==$$w_i^c$$和D2D辅助云卸载执行的能源成本$$w_{ij}^{dc}$$==。为了计算这些成本因素，在这里我们采用文献==[4-6]中的通用任务模型，该模型使用元组<$${\lambda }_i$$, $${\psi }_i$$, $${\mu }_i$$>来描述任务的**输入数据大小$${\lambda }_i$$**（如程序代码），**完成任务所需的计算资源$${\psi }_i$$（如CPU周期数）和任务的输出数据大小$${\mu }_i$$**。注意，如果我们使用其他任务模型，例如基于计算密度的数据流处理模型，则所提出的具有社会意识的协作任务卸载算法也可以应用[13]==。我们讨论以下不同选项的任务执行成本：

• 本地移动执行Local Mobile Execution：

  ​ 设备i可以在本地执行其自己的任务。 ==$${\rho }_i^c$$==是每个CPU周期用于计算的能耗，对于不同的设备类型，能耗会有所不同。

  ​ 能耗为==$$w_i^l={\rho }_i^c{\psi }_i$$==

• 设备到设备卸载执行Device-to-Device (D2D) Offloaded Execution：

  ​ 设备i可以通过D2D连接将其自己的任务卸载到附近的设备j。 ==$$H_{it}^d$$==为设备i的D2D传送功率，== H