#12文献学习--边缘计算网络的多用户卸载：一种依赖感知和延迟优化方法

文献：Multi-User Offloading for Edge Computing Networks: A Dependency-Aware and Latency-Optimal Approach

存在的问题：物联网设备可以将其任务卸载到边缘服务器。当前的任务卸载工作通常忽略了物联网设备的独特任务拓扑和时间表，导致性能下降和边缘资源利用不足。
1）物联网任务的拓扑结构/时间表；
2）边缘服务器上的异构资源；
3）多址边缘网络中的无线干扰。

提出用于多用户边缘系统的轻量级但高效的卸载方案，该方案将最合适的物联网任务/子任务卸载到边缘服务器，以使预期执行时间最小化。提出了一种用于低功耗物联网设备的分布式共识算法，来支持多用户卸载。卸载算法可以有效地减少端到端任务执行时间，提高边缘服务器的资源利用率。

一、介绍

物联网任务首先上传到边缘网络，然后在边缘网络中进行处理。之后，结果返回到相应的物联网设备。通过将任务从资源受限的设备卸载到功能强大的边缘服务器，可以减少总体执行延迟和能耗。
一个应用程序任务由一系列的子任务组成，子任务之间依赖关系用**有向无环图（DAG）**描述。

1. 如何从任务拓扑中揭示卸载机会。
   1）哪些子任务可以卸载；
   2）哪些组合的子任务可以提供更多的潜在性能增益。
2. 对于具有异构服务器的多用户边缘计算系统，如何协调不同用户之间的子任务上传策略。
   1）传输时间受竞争用户数量的影响，这取决于其他附近用户的卸载决策；
   2） 每个用户可以卸载不同数量的任务数据，这对每个服务器中的任务调度也有重要影响。
3. 如何在无线和请求条件动态变化的情况下，以轻量级和共识的方式确定要卸载的子任务。
   1）如何评估卸载一组给定子任务的潜在好处；
   2）分布式共识策略在资源受限的物联网设备中非常重要。

提出了单用户MEC系统的EFO（最早完成时间卸载）算法，来决定卸载哪些子任务以获得更多性能增益；然后扩展到具有异构服务的多用户系统的EFO算法，协调多个用户之间的通信和计算竞争；最后，设计了能够实现纳什均衡的分布式计算EFO卸载算法，来提高卸载决策的效率。

总结：该方案考虑了子任务的计算工作量和任务DAG中子任务之间的相关性。提出了基于共识算法的协调EFO算法，该算法基于所提出的EFO算法协调子任务上传策略。

二、相关工作

卸载策略可分为集中式和分布式。
集中式卸载策略：

分布式资源分配：
1）将任务视为DAG，以识别细粒度卸载机会；
2）考虑来自不同用户的子任务之间的竞争。

提出了一种细粒度卸载策略，以缩短应用程序完成时间。
策略考虑了：
1）DAG中子任务的依赖性；
2）具有多个异构服务器的多用户MEC系统中的卸载策略；
3）边缘服务器上卸载任务的调度。

三、系统模型

物联网系统由代码分析器、系统分析器和决策模块组成。
代码分析器的职责是确定可以卸载哪部分代码（取决于应用程序类型和代码分区）。
系统分析器监视参数，例如无线带宽、要上载的数据大小以及执行或传输各种子任务所消耗的能量。
决策模块确定是否卸载子任务，目标是在满足物联网设备能耗的同时，最小化应用程序的执行延迟。

有向无环任务图G=（V，E）来描述这些任务之间的依赖关系，其中V是子任务集。我们假设每个子任务都是原子的，并且在执行期间不可中断。E是表征子任务之间依赖性的有向边集。有向边（m，n）表示任务n依赖于结果任务m。
卸载的延迟最小化问题需要同时解决通信和计算资源分配问题。

1、通信模型

本地计算

边缘计算
从分布式角度来看，每个物联网设备都应该做出合理的决定，以减轻无线信道上的干扰，避免边缘服务器中的长排队时间。
排队时间，这不仅取决于其前任务的完成时间，还取决于其他用户卸载的子任务的任务调度。

2、问题公式

1）子任务放置问题：基于子任务之间的依赖性，决定子任务是应在本地处理还是卸载到边缘服务器。
2） 资源调度问题：对不同应用程序的不同子任务进行排序，以减少全局系统的总延迟。

目标：最小化所有物联网应用程序的平均任务持续时间。
任务卸载问题是NP-hard，提出启发式算法来有效地解决卸载问题。将问题简化为0-1背包问题，只有一个IOT设备和一个边缘服务器的问题，在串行任务图上进行二进制分区，而不考虑本地和边缘服务器之间的数据传输。

四、子任务卸载策略

首先针对只有一个边缘服务器的单用户MEC系统提出了EFO（最早完成时间卸载）算法，该算法不仅取决于子任务的计算工作量，还取决于DAG中子任务之间的依赖关系。然后，进一步将上述EFO算法扩展到具有异构服务器的多用户MEC系统，旨在协调多个用户之间的通信和计算竞争。此外，为了提高卸载决策的效率，讨论了一种以轻量级方式执行卸载决策的分布式计算卸载算法。

1、EFO算法

目标：调度子任务，使延时小的同时满足任务依赖性要求。
1）按优先级排序子任务：设置每个子任务的优先级，并相应地最小化总延迟。
2）处理器选择问题：在获得每个子任务的优先级后，我们需要在其“最佳”处理器（本地CPU或边缘服务器）上调度每个所选任务。

2、具有多个服务器的多用户场景中的集中式EFO算法

当不同的用户卸载其计算任务时，他们几乎没有关于无线信道条件和边缘服务器的计算负载的信息，因为他们无法访问所有其他用户的卸载策略。
策略信息包括他们选择的服务器、将上载多少子任务以及边缘服务器中的任务调度。

首先枚举所有可选的卸载策略，对于每个卸载方案，将卸载到同一服务器的用户的任务图视为通过图的并集的集成DAG；
然后使用EFO算法获得总体计算延迟；
最后，选择具有最小延迟的卸载方案作为卸载策略。找到每个处理器中的最优卸载策略及其相关子任务调度，得到对于所有用户来说的最小计算延迟。

每个可选的卸载策略都需要调用EFO算法来获得服务器调度结果。集中EFO算法的收敛时间将随着用户和服务器数量的增加而快速增长。

3、分布式EFO算法

集中式卸载策略开销大，不利于超密集物联网和边缘网络中的实施；若控制器出现硬件故障，会导致系统故障；物联网设备供应商不同，很难创建相同的标准。

采用分布式卸载方案，每个物联网设备可以基于它们收集的信息在本地做出决定。采用博弈论设计低复杂度分布式机制，来协调多个用户之间的竞争。在多用户和多服务器之间基于博弈论的卸载策略中，用户都会对其他玩家在先前步骤中的行为做出反应，并做出局部最优决策。在有限的步骤之后，所有用户都可以自我组织到一个相互平衡的状态：纳什均衡。
在纳什均衡状态下，任何用户都不能通过单方面改变策略来进一步减少延迟。

利用协调与一致算法，找到一个用户i和相应的服务器k，以实现最大的延迟减少。

分布式EFO算法，每个物联网设备都可以隐式地考虑他人的信息，并相应地调整自己的卸载策略。一旦流程完成，每个物联网设备都可以执行卸载决策，以减少总体任务延迟。

缺点：收敛时间可能会给卸载系统增加开销。

五、评估

1、实验设置

每个边缘服务器/物联网设备配备一个CPU。
每个物联网设备请求一个服务，该服务由一系列依赖关系子任务组成。
是否应卸载子任务取决于整个应用程序的总执行时间。
在分布式卸载策略中，物联网设备将不断选择“最佳”边缘服务器来卸载其子任务，以实现最小延迟。

2、分布式EFO算法的收敛性

1）收敛时间将随着用户数量的增加而增加。
2） 边缘服务器数量的增加将有助于减少用户的平均延迟，因为随着聚合时间的增加，每个用户都有更多的机会上传其子任务。

为了解决物联网设备和边缘服务器数量增加时系统的融合性，提出互补政策：
1）为了保持系统稳定性，手动控制收敛时间不超过给定阈值。在整个系统的收敛时间之前，延迟敏感的物联网设备将停止寻找“更好”的卸载策略，然后开始执行其子任务。
2）在算法的每一次迭代中，只选择一个物联网设备来更新其卸载策略。随着边缘服务器数量的增加，允许选择多个用户同时更新其卸载策略（只要这些物联网设备选择不同的卸载服务器）。通过这种方式，可以缩短收敛时间。

3、与其他方案比较

CEFO：SDN控制器基于全局信息管理每个边缘服务器中的所有子任务卸载策略和任务调度。

DEFO处理更细粒度的子任务，因此有更多的机会将子任务卸载到边缘服务器，卸载延迟相对较低。CEFO实现了稍高的平均延迟，但它具有高得多的计算效率。

分析揭示任务拓扑（DAG）的卸载机会，有更多机会进一步优化卸载效率。

4、DAG财产对计算卸载的影响

任务并行性对平均延迟的影响；
不同用户规模的服务器利用率；
通过细粒度任务划分来进一步减少平均延迟，提高服务器的利用率。

利用一些并行机器学习算法的高度并行性来加快它们的执行速度。

六、结论

通过联合考虑子任务之间的依赖性和多个边缘用户之间的竞争，提出了一种细粒度卸载策略，以减少IOT应用程序的总体完成时间。还讨论了资源受限物联网设备的分布式算法及其收敛性，减少总体应用延迟。