文献阅读16

Exploiting Massive D2D Collaboration for EnErgy-EffiCiEnt MobilE EDGE CoMputing（利用大量的D2D协作来提高能源效率的移动边缘计算）

摘要
在本文中，我们提出了一种用于5G移动边缘计算的新颖D2D人群框架，其中大量网络边缘的设备利用网络辅助的D2D协作进行计算和通信资源共享。该框架的主要目标是在网络边缘为移动用户实现高能效的协作任务执行。具体来说，我们首先详细介绍D2D人群系统模型，然后通过考虑必要的约束条件来制定高效的D2D人群任务分配问题。接下来，我们提出一种基于图匹配的最佳任务分配策略，并通过广泛的数值研究对其性能进行进一步评估，结果显示，与本地任务执行相比，该方法具有优于50％的能耗降低的优越性能。最后，我们还考虑了各种应用因素，讨论了扩展D2D Crowd框架的方向。
引言
诸如移动对象识别，物联网（IoT）数据流处理，增强现实和移动健康计算等越来越多的移动应用程序正在兴起，并将在第五代（5G）时代盛行。这些新颖的应用通常需要大量的计算资源用于实时处理，并需要高的网络带宽用于数据交换，从而导致高能耗，尤其是当它们受到设备资源有限的困扰时[1]。通常，由于物理尺寸的限制，移动设备的能量容量受到限制，并且电池技术的发展趋势使得这种限制在不久的将来不太可能消失。因此，在移动设备中实现高能效的任务执行具有重要意义。
作为一种有趣且有前途的解决方案，任务卸载已得到广泛应用并引起了极大的关注。沿着这个方向，许多研究工作都集中在移动云计算上，移动用户可以通过无线访问将计算密集型任务转移到资源丰富的远程云中[3]。但是，由于移动设备之间的无线连接不稳定以及移动设备与远程云之间的网络延迟过长，因此对于这种方法而言，满足移动应用程序的实时交互式响应要求可能会非常具有挑战性。作为替代方案，移动边缘计算是一种新兴的5G服务范式，它利用网络边缘的大量协作终端用户设备和/或近用户设施来进行大量的通信和计算。任务。由于移动边缘计算是在靠近移动用户的地方实现的，因此它可以为用户提供低延迟以及敏捷的计算和通信增强服务。
在本文中，我们提出了D2D Crowd，这是一种基于网络辅助设备到设备（D2D）协作的新颖的任务卸载框架，其中，网络边缘的大量设备可以通过网络运营商的控制协助，可以彼此共享计算和通信资源。常见比率是两倍。一方面，运营商通常可以拥有丰富的网络信息，以实现更明智，更有效的管理决策。另一方面，可以利用不同类型的设备（例如，IoT设备，智能手机和平板电脑）的不同功能以及多路复用增益（由于设备之间资源可用性的运行时异质性）来支持协作各种服务的任务执行。该框架的简单说明如图1所示。假设设备B想要执行计算密集型任务（例如，数据压缩），而当前其CPU资源却被其他应用程序大量占用。在这种情况下，设备B可以通过高能效的D2D链接将其任务分流到附近的设备A，该设备拥有大量的空闲CPU资源以促进任务执行。
我们设想，通过联合池化和共享移动设备之间的异构计算和通信资源，D2D Crowd可以促进需要混合资源的许多新颖应用程序和服务。例如，由D2D Crowd框架支持的新兴应用程序包括但不限于以下情况。
移动数据卸载：
由于采用了不同的传输技术设备和无线传输的时变性质，即使在同一位置，设备之间的蜂窝连接质量也可能不同。在这种情况下，可以进行数据分流，以使蜂窝连接不良的设备可以将其数据分流到具有高质量蜂窝链路的附近设备，以提高能源效率。
移动数据流处理：
如今，许多移动和物联网设备都配备了一组功能强大的嵌入式传感器，并且能够获取和传输大量数据流。通过利用网络边缘的大量协作设备计算资源，D2D Crowd可以实现跨各种设备对获取的数据流进行高效的原位处理（例如，数据清理和特征抽象）。
D2D辅助的云卸载：
通过提供D2D辅助的云卸载服务，D2D Crowd框架还可以在移动云计算中发挥补充作用。即，代替将计算任务直接卸载到云，设备可以首先将其计算任务转移到附近的设备，并且两者都具有强大的计算能力。功能和良好的细胞连接，然后可以帮助处理一些小规模的任务组件，并同时将需要大量计算的组件卸载到云中。
此外，D2D Crowd框架可以为网络运营商和移动用户实现双赢。一方面，由于用户之间资源可用性的异构性，用户可以从多路复用增益中受益。另一方面，通过优质的蜂窝连接和用户之间共享的各种设备资源，运营商可以扩展其网络覆盖范围并改善其服务质量，并提供新颖的应用程序来吸引更多的用户。
相关工作

主要成果
在本文中，我们解决了实现节能任务分配的关键问题，这是D2D人群的关键组成部分，旨在最大程度地减少设备间协作任务执行的总能耗。具体来说，我们首先介绍用于设备之间的联合计算和网络资源共享的D2D Crowd系统模型。因此，我们随后通过考虑必要的约束条件，提出了高能效的D2D人群任务分配问题公式，然后通过利用问题的结构特性，开发了基于图匹配的最优任务分配策略。我们通过数值研究进一步评估了建议的D2D人群任务分配策略的性能，这表明与本地任务执行相比，该性能具有卓越的性能提升，能耗降低了50％以上。最后但并非最不重要的一点是，我们还将通过考虑各种应用因素来讨论扩展D2D Crowd框架的重要方向。
本文的其余部分组织如下。我们首先介绍系统模型。然后，我们提出了D2D人群任务分配问题的形成和基于图匹配的策略，并概述了扩展框架的方向。我们最后总结了这篇文章。

D2D CROWD模型
设备资源模型
移动任务模型
任务执行模型
D2D CROWD的能效咨询工具
接下来，基于上述系统模型，我们将在D2D人群框架中描述最佳任务分配的问题表述，以便在考虑必要的分配约束的同时优化协作任务执行的能源效率。
问题公式化
基于机械化图的最佳任务分配
性能评估
扩展和未来方向
在以上各节中，我们主要介绍D2D Crowd框架，并着重解决节能协作任务分配的关键问题。在这一部分中，我们将通过考虑各种应用因素，进一步讨论将D2D人群扩展为成熟框架的几个重要方向。
与移动边缘云服务集成

激励合作机制
与系统动态配合
为了获得有用的见解，在上面的讨论中，我们主要讨论静态设置下的D2D Crowd框架，并在每个任务卸载回合中考虑任务分配问题。为了在实际系统中实现建议的D2D Crowd框架，我们需要考虑其泛化以处理系统动力学。在动态设置中，许多系统因素会随时间而变化（例如，设备的D2D连接会由于设备用户的移动性而动态变化，而蜂窝链路质量可能会由于衰落效应而随时变化）。此外，设备在不同的时间范围内可以生成不同数量的新任务，因此我们需要仔细解决任务排队问题，以防止长期来看队列爆炸。
为了应对系统动力学，我们可以借助Lyapunov优化来概括当前的D2D人群任务分配方案。一般而言，Lyapunov优化有两个关键的显着特征，它们适合解决动态任务分配问题：

1. Lyapunov优化是一个具有时间平均目标的在线随机优化问题，通常它仅利用当前时间段的系统信息。
   2.它还通过提供漂移加罚分功能来实现联合队列的稳定性和时均目标优化，从而实现了稳定队列的功能。
   因此，在将来的工作中，我们可以探索利用Lyapunov优化方法为D2D人群设计有效的在线任务分配，该任务可以适应系统动态，同时确保任务队列的稳定性。

混合中心化-分散化实现
本文的重点是为节能移动边缘计算提供网络辅助D2D协作的好处。网络辅助架构实现了高效的集中式管理范式，因此在许多未来的网络系统（例如5G D2D覆盖蜂窝网络，蜂窝物联网和软件定义的移动网络）中得到了提倡。
进一步扩展提议的D2D Crowd框架的另一个重要方向是考虑其混合式集中式，分散式实施。这与我们希望在多个应用中实现协同调度的应用场景高度相关异构网络，例如蜂窝网络和WiFi网络。 WiFi中载波侦听多路访问的分散性质要求混合式集中分散式设计。同样，在某些情况下，某些网关设备可能与其外围设备具有更好的通信链接，因此可以选择它作为领导设备，以实现有效的本地协调。
实现混合集中式-分散式范式的一种可能方法是，我们可以首先将D2D连接图分解为多个社区。在一个社区内，可以选择或选择一个领导设备来管理本地任务分配（例如，在本地使用建议的基于图匹配的方案），以进行基于D2D协作的移动边缘计算。领导者设备还将相互协商以实现任务分配同步和冲突解决。如何为这种混合式集中分散式实施方案设计轻量级且高效的协议可能非常有趣且具有挑战性。

总结
在本文中，我们通过利用网络边缘的大量设备进行节能高效的协作任务执行，提出了一种新颖的D2D人群框架，作为5G移动边缘计算的新兴关键服务。通过在移动设备之间共同汇总和共享异构计算和通信资源，D2D Crowd可以促进许多需要混合资源的新颖应用程序和服务。
具体来说，我们提出了D2D人群的系统模型，并提出了高效的D2D人群任务分配问题。我们进一步提出了一种基于图匹配的最优任务分配策略，并表明它可以通过数值评估获得优异的性能。最后，我们讨论了扩展D2D Crowd框架的几个重要且有趣的方向，例如，设计适当的激励机制来鼓励设备协作以及开发有效的在线机制来应对系统动态