具有移動邊緣計算的車載網絡中的卸載和資源分配的聯合優化---論文閱讀筆記

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

I. INTRODUCTION
問題概述：VEC（具有移動邊緣計算的車載網絡）也是將計算能力從中心雲移到邊緣，並在車輛上部署計算資源，車輛可以卸載計算任務到MEC服務器，MEC服務器執行車輛的行爲任務去減少時延和提高服務質量。因爲VR應用的通信數據量很大，從而會導致長時延，所以在MEC服務器中執行VR任務的比例分配對於減少時延也是非常重要的。

MEC卸載相關文獻研究：文獻【7】【8】爲卸載策略，文獻【9】
文獻【7】Efficient Multi-User Computation Offloading for Mobile-Edge Cloud Computing
研究：在多信道無線無線環境下，研究多用戶無線卸載問題，並且設計一個分佈式博弈理論的卸載方法；
文獻【8】Combinational Auction-Based Service Provider Selection in Mobile Edge Computing Networks
研究：提出一種封閉的多弧度結合機制去匹配MEC服務器和移動終端，爲了去卸載計算任務去最優的MEC服務器；
文獻【9】Energy-Efficient Resource Allocation for Mobile Edge Computing-Based Augmented Reality Applications
研究：爲了最小化總的能量功耗，文章通過連續的凸近似對通信和計算資源進行分配；
文獻【10】Joint scheduling of communication and computation resources in multiuser wireless application offloading
研究：如何通過通信和計算資源分配來實現低時延；
文獻【11】Energy-Saving Offloading by Jointly Allocating Radio and Computational Resources for Mobile Edge Computing
研究：在特定的應用下，綜合了卸載選擇、無線資源分配和計算資源分配的最優化，去最小化能耗。

本Paper綜合了卸載比例、通信資源分配、計算資源分配去最小化具有MEC的車載網絡的的時延，主要貢獻如下：
1）在車載網絡中，爲了降低時延，我們引入了一個針對於VR應用的卸載方法，這裏的VR任務被以一個確定的比例分爲兩個子任務，並且具有MEC服務器的宏基站能夠同時計算和傳輸兩個子任務；
2）建立一個聯合優化模型去尋找VR任務實現的最短時間，即卸載比例（比如決定多少任務卸載到車輛去處理）、通信資源分配、計算資源分配被聯合優化；
3）爲了解決非線性多項式困難問題，提出一個卸載比例和資源分配聯合算法（JOPRAO）。仿真結果顯示，合理的卸載和資源分配策略會有效降低VR任務實現時間。

II. SYSTEM MODEL
模型分爲：網絡模型、通信模型和計算模型；
A. Network Model

解析：場景中有N輛車，和一個存在於宏基站中的MEC服務器，MEC服務器和本地車輛都具有計算能力。s1代表車輛1的AR任務，將AR任務按照一定比例分爲兩個子任務（分別爲車輛側子任務和MEC側子任務），任務分割比例如下：

文章中使用的參數列表如下所示：

B. Communication Model
在相關的場景中，有K個可用的正交OFDM子信道被分配給車輛進行無線傳輸。K={1,2,3…K}代表K個子信道，每個子信道的帶寬是W0,我們引入關係矩陣C，c（nk）代表子信道k對應到車輛n的關係，c（nk）=1表示子信道k被分配到車輛c，c（nk）=0表示不存在分配關係。

對應C數組的限制，一個信道最多隻能分配給一輛車，描述格式如下：

本Paper研究單小區場景，車輛n使用子信道k的干擾強度是：
其中：
爲子信道k中附加的高斯白噪聲；
p（nk）：宏基站中，車輛n使用子信道k時的傳輸功率；
h（nk）：宏基站中，車輛n使用子信道k時的信道增益；
I（nk）：來自其他宏基站和鄰近宏基站中車輛的干擾。
爲了簡化，我們把p（nk）、h（nk）、I（nk）視爲常量。

根據香農定理：
r（nk） = W（0）log{1+c（nk）SINR（nk）}
因此，車輛n的數據傳輸速率可表示爲：

C. Computation Model
計算過程簡述：首先，MEC服務器將會處理子任務（1），當該子任務處理完成之後，宏基站將會把處理數據返回到相關車輛並且同時將子任務（2）卸載到該車輛；

時延分析：
分析：首先，任務被一分爲二，在MEC服務器中的任務1率先執行，同時進行的是將任務2通過無線信道傳輸到車輛，由於MEC服務器的任務執行後，傳輸給車輛任務的過程還沒有結束，所以存在等待時間，等到傳輸結束後，就可以開始將處理過的任務1傳輸到車輛側了，同時車輛側也可以開始執行任務了，所以最後取3個時間中的最長的時間作爲任務sn全部的完成時間。

示意圖爲：

公式爲：

III. PROBLEM FORMULATION（問題求解）
挑戰：MEC服務器需要進行卸載比例、通信資源、計算資源分配的聯合優化；
目的：提供最優的卸載比例、通信資源分配、計算資源分配，使得最大的任務完成時間被最小化；
可被描述爲P問題：

限制條件解析：
C1：MBS中一個子信道最多隻能被一個車輛使用；
C2：MEC服務器最大處理能力對車輛處理能力的限制；
C3：計算能力的非負性；
C5：代表每個車輛至少分配一個子信道；
C6：限定卸載比例的範圍。

問題P解決的困難：
1）C是二進制變量，讓問題P變成一個混合整數規劃問題；
2）問題P的目標函數不是一個凸函數；
3）問題P的NP-hard性能問題。

IV. OPTIMIZATION OF TASK OFFLOADING（任務卸載優化）
提出：JOPRAO算法解決非凸的P問題；
算法組成：子信道選擇、卸載比例判決、計算資源分配；
A. Subchannel Selection
定義權重：即車輛n在子信道k的權重，即：

當w（nk）取最小值時，說明對於車輛n，子信道k是首選值，即：

爲了最小化全部車輛中的最大的任務完成時延，需要得到n，即：

因此，根據公式10來分配子信道k給車輛n。

B. Offloading Proportion Decision
解決思路：最小化一組變量的最大化問題的解決方案是讓其相等，如下：

可解出：

分析：有解，則說明可以通過調整比例和數據傳輸速率來“最小化時延最大”的問題，參考Fig. 2使其齊頭並進。

C. Computation Resource Allocation
思路：首先，MEC服務器爲每個車輛分配均等的計算資源，比如：

最優的計算資源分配爲：

MEC服務器將進行一個比較，若fn,c(最優)<=fn,c(平均)，則將車輛n設置爲最優，並返回fn,c(平均)-fn,c(最優)的計算資源給MEC服務器；若fn,c(最優) > fn,c(平均)，則增加車輛n的計算資源，直到超過最優或者MEC計算資源用完了。