具有移动边缘计算的车载网络中的卸载和资源分配的联合优化---论文阅读笔记

论文名：Joint Optimization of Offloading and Resource Allocation in Vehicular Networks with Mobile Edge Computing

I. INTRODUCTION
问题概述：VEC（具有移动边缘计算的车载网络）也是将计算能力从中心云移到边缘，并在车辆上部署计算资源，车辆可以卸载计算任务到MEC服务器，MEC服务器执行车辆的行为任务去减少时延和提高服务质量。因为VR应用的通信数据量很大，从而会导致长时延，所以在MEC服务器中执行VR任务的比例分配对于减少时延也是非常重要的。

MEC卸载相关文献研究：文献【7】【8】为卸载策略，文献【9】
文献【7】Efficient Multi-User Computation Offloading for Mobile-Edge Cloud Computing
研究：在多信道无线无线环境下，研究多用户无线卸载问题，并且设计一个分布式博弈理论的卸载方法；
文献【8】Combinational Auction-Based Service Provider Selection in Mobile Edge Computing Networks
研究：提出一种封闭的多弧度结合机制去匹配MEC服务器和移动终端，为了去卸载计算任务去最优的MEC服务器；
文献【9】Energy-Efficient Resource Allocation for Mobile Edge Computing-Based Augmented Reality Applications
研究：为了最小化总的能量功耗，文章通过连续的凸近似对通信和计算资源进行分配；
文献【10】Joint scheduling of communication and computation resources in multiuser wireless application offloading
研究：如何通过通信和计算资源分配来实现低时延；
文献【11】Energy-Saving Offloading by Jointly Allocating Radio and Computational Resources for Mobile Edge Computing
研究：在特定的应用下，综合了卸载选择、无线资源分配和计算资源分配的最优化，去最小化能耗。

本Paper综合了卸载比例、通信资源分配、计算资源分配去最小化具有MEC的车载网络的的时延，主要贡献如下：
1）在车载网络中，为了降低时延，我们引入了一个针对于VR应用的卸载方法，这里的VR任务被以一个确定的比例分为两个子任务，并且具有MEC服务器的宏基站能够同时计算和传输两个子任务；
2）建立一个联合优化模型去寻找VR任务实现的最短时间，即卸载比例（比如决定多少任务卸载到车辆去处理）、通信资源分配、计算资源分配被联合优化；
3）为了解决非线性多项式困难问题，提出一个卸载比例和资源分配联合算法（JOPRAO）。仿真结果显示，合理的卸载和资源分配策略会有效降低VR任务实现时间。

II. SYSTEM MODEL
模型分为：网络模型、通信模型和计算模型；
A. Network Model

解析：场景中有N辆车，和一个存在于宏基站中的MEC服务器，MEC服务器和本地车辆都具有计算能力。s1代表车辆1的AR任务，将AR任务按照一定比例分为两个子任务（分别为车辆侧子任务和MEC侧子任务），任务分割比例如下：

文章中使用的参数列表如下所示：

B. Communication Model
在相关的场景中，有K个可用的正交OFDM子信道被分配给车辆进行无线传输。K={1,2,3…K}代表K个子信道，每个子信道的带宽是W0,我们引入关系矩阵C，c（nk）代表子信道k对应到车辆n的关系，c（nk）=1表示子信道k被分配到车辆c，c（nk）=0表示不存在分配关系。

对应C数组的限制，一个信道最多只能分配给一辆车，描述格式如下：

本Paper研究单小区场景，车辆n使用子信道k的干扰强度是：
其中：
为子信道k中附加的高斯白噪声；
p（nk）：宏基站中，车辆n使用子信道k时的传输功率；
h（nk）：宏基站中，车辆n使用子信道k时的信道增益；
I（nk）：来自其他宏基站和邻近宏基站中车辆的干扰。
为了简化，我们把p（nk）、h（nk）、I（nk）视为常量。

根据香农定理：
r（nk） = W（0）log{1+c（nk）SINR（nk）}
因此，车辆n的数据传输速率可表示为：

C. Computation Model
计算过程简述：首先，MEC服务器将会处理子任务（1），当该子任务处理完成之后，宏基站将会把处理数据返回到相关车辆并且同时将子任务（2）卸载到该车辆；


时延分析：
分析：首先，任务被一分为二，在MEC服务器中的任务1率先执行，同时进行的是将任务2通过无线信道传输到车辆，由于MEC服务器的任务执行后，传输给车辆任务的过程还没有结束，所以存在等待时间，等到传输结束后，就可以开始将处理过的任务1传输到车辆侧了，同时车辆侧也可以开始执行任务了，所以最后取3个时间中的最长的时间作为任务sn全部的完成时间。

示意图为：

公式为：





III. PROBLEM FORMULATION（问题求解）
挑战：MEC服务器需要进行卸载比例、通信资源、计算资源分配的联合优化；
目的：提供最优的卸载比例、通信资源分配、计算资源分配，使得最大的任务完成时间被最小化；
可被描述为P问题：


限制条件解析：
C1：MBS中一个子信道最多只能被一个车辆使用；
C2：MEC服务器最大处理能力对车辆处理能力的限制；
C3：计算能力的非负性；
C5：代表每个车辆至少分配一个子信道；
C6：限定卸载比例的范围。

问题P解决的困难：
1）C是二进制变量，让问题P变成一个混合整数规划问题；
2）问题P的目标函数不是一个凸函数；
3）问题P的NP-hard性能问题。

IV. OPTIMIZATION OF TASK OFFLOADING（任务卸载优化）
提出：JOPRAO算法解决非凸的P问题；
算法组成：子信道选择、卸载比例判决、计算资源分配；
A. Subchannel Selection
定义权重：即车辆n在子信道k的权重，即：

当w（nk）取最小值时，说明对于车辆n，子信道k是首选值，即：

为了最小化全部车辆中的最大的任务完成时延，需要得到n，即：

因此，根据公式10来分配子信道k给车辆n。

B. Offloading Proportion Decision
解决思路：最小化一组变量的最大化问题的解决方案是让其相等，如下：

可解出：

分析：有解，则说明可以通过调整比例和数据传输速率来“最小化时延最大”的问题，参考Fig. 2使其齐头并进。

C. Computation Resource Allocation
思路：首先，MEC服务器为每个车辆分配均等的计算资源，比如：

最优的计算资源分配为：

MEC服务器将进行一个比较，若fn,c(最优)<=fn,c(平均)，则将车辆n设置为最优，并返回fn,c(平均)-fn,c(最优)的计算资源给MEC服务器；若fn,c(最优) > fn,c(平均)，则增加车辆n的计算资源，直到超过最优或者MEC计算资源用完了。

V. NUMERICAL RESULTS(结果)
1）全部在车辆计算、全部在MEC服务器计算和使用我们的算法进行卸载分配计算的时延比较：

2）车辆计算能力对卸载比例的影响：


4）计算复杂度（每bit计算所要求是CPU周期）对卸载比例的影响：

5）任务输出输入比对卸载比例的影响：