无线供能MEC系统中面向多用户任务卸载的协作计算

《Sensors》：Cooperative Computation for Multiuser Task Offloading in Wireless-Powered MEC Systems

　　

本文研究了一个由能量节点（EN）、边缘服务器（ES）和多个能量采集用户组成的无线供能移动边缘计算（MEC）系统中的多用户任务卸载的联合计算与中继问题。研究人员选择一名用户作为其余任务用户的辅助者（helper）。每个任务用户将其工作负载划分为本地计算、辅助者处的协作计算以及ES处的远程执行三部分。在并行协作阶段，辅助者在本地计算上传任务的一部分，同时将其余部分转发至ES，并通过本地计算或边缘卸载处理自身任务。在帧时长、能量中性、通信和计算约束下，通过联合优化辅助者选择、任务划分、时间分配、传输能量分配和CPU资源分配，最大化加权和计算速率（WSCR）。对于每个候选辅助者，研究人员引入传输能量变量以解耦传输时间和功率，并利用可达速率函数的透视结构将连续资源分配问题重构为等价凸问题。通过求解所有候选辅助者对应的凸问题，获得全局最优的辅助者选择和资源分配。数值结果表明，所提出的联合计算与中继方案始终优于仅计算、仅中继和专用辅助者协作方案。性能增益源于根据当前的通信、计算和能量瓶颈自适应地平衡辅助者计算与ES处理。

关于论文《Cooperative Computation for Multiuser Task Offloading in Wireless-Powered MEC Systems》的解读

无线传感器网络与物联网应用的快速发展，对能量受限无线设备（WD）的实时、计算密集型数据处理提出了严苛要求。然而，许多物联网设备受限于电池容量和本地计算能力。移动边缘计算（MEC）通过将计算资源部署在网络边缘，允许设备将任务卸载至边缘服务器（ES），从而缓解计算局限。同时，无线供能MEC利用射频（RF）无线能量传输（WPT）为设备供电，以应对能量瓶颈。已有研究多假设用户直接卸载至ES，当直接链路较弱时，用户会消耗过多传输时间和能量。协作计算卸载可缓解此问题，但现有模型多聚焦于两用户系统或预先指定的专用辅助者，未充分研究在多用户无线供能MEC系统中，动态选择一个能量采集用户同时辅助多个任务用户并处理自身任务的情况。因此，有必要研究联合计算与中继的协作机制。

研究人员针对由单个能量节点（EN）、单个ES和N个能量采集用户构成的系统，提出了一种辅助者协助的多用户卸载架构。每个任务用户将任务划分为三部分：本地计算、辅助者协作计算和ES远程执行。在并行协作阶段，辅助者本地计算部分上传任务，同时转发其余任务至ES，并处理自身任务。研究人员以最大化加权和计算速率（WSCR）为目标，联合优化辅助者选择、任务划分、时间分配、传输能量分配和CPU资源分配。对于每个候选辅助者，通过引入传输能量变量解耦传输时间与功率，并利用通信速率函数与计算能量函数的透视结构，将非凸连续资源分配问题等价转化为凸问题，从而得到全局最优解。仿真结果表明，所提联合计算与中继方案始终优于仅计算、仅中继和专用辅助者协作，为多用户无线供能MEC系统提供了最优性能基准。该论文发表于《Sensors》。

主要关键技术方法包括：建立包含EN、ES及N个能量采集用户的系统模型，并设计帧结构包括WPT时段、任务上传、并行协作和结果回传；采用部分计算卸载，每个任务分解为本地、辅助者和ES三部分；构建加权和计算速率最大化问题（P1），考虑能量中性、通信和计算约束；引入传输能量变量将时间-功率耦合项解耦，将通信速率函数和计算能耗函数表示为透视形式，使问题变为等价凸问题（P2）；利用内点法求解每个候选辅助者的凸问题，并遍历所有候选辅助者选择最优解；通过恢复变换得到原始发射功率和CPU频率。仿真中用户随机部署于圆形区域，帧时长归一化为1 s，每个数据点在100次独立用户部署上取平均。

研究结果如下。图2评估了电路能耗的影响：引入非零电路能耗会降低所有方案的WSCR，但所提联合方案仍始终保持最高，验证了实际电路功耗下结论的稳健性。图3研究了EN发射功率的影响：增大EN发射功率提升所有用户能量预算，仅中继方案对能量最敏感，所提方案在高功率下将更多任务分配给ES，始终最优。图4分析了系统带宽的作用：窄带时仅计算方案接近所提方案，宽带时仅中继方案反超，体现从计算主导到中继主导的转变，所提方案自适应选择协作模式。图5考察了EN与用户区域距离的影响：距离增大削弱能量传输链路，仅中继性能下降最快，所提方案在能量紧张时减少ES处理，接近仅计算方案。图6研究了用户区域与ES距离的影响：仅中继对ES链路质量敏感，计算方案相对稳定，所提方案在ES链路变差时更多依赖辅助者计算。图7测试了最大CPU频率的影响：频率增加提升本地与协作计算，仅计算与仅中继出现交叉，所提方案在低频时多使用ES，高频时多使用辅助者。图8评估了输出输入数据比的影响：比值增大增加结果回传开销，所有方案WSCR下降，所提方案通过联合调整保持优势。图9考察了用户规模的可扩展性：N从4增至20时所有方案性能下降，所提方案始终最高。图10记录了算法运行时间：平均运行时间随N近似从13 s增至510 s，说明精确算法适合作为基准而非实时调度。

综合讨论表明，仅计算协作与仅中继协作不存在绝对优劣，其相对性能取决于能量预算、带宽、ES链路质量和CPU能力。所提方案通过联合优化辅助者选择与资源分配，自适应匹配当前系统瓶颈，因而一致取得最高WSCR。

研究结论部分翻译如下：本文研究了无线供能MEC系统中面向多用户任务卸载的联合计算与中继问题。选择一个能量采集用户作为辅助者，在处理自身任务的同时协助其余任务用户。上传任务在辅助者协作计算与ES远程处理之间灵活分配，辅助者计算与任务转发并行执行。为充分挖掘该协作架构潜力，在帧时长、能量中性、通信与计算约束下，通过联合优化辅助者选择、任务划分、时间分配、传输能量分配和CPU资源分配来最大化加权和计算速率。对每个候选辅助者，引入传输能量变量并利用通信速率函数和计算能量函数的透视性质，将连续资源分配问题转化为等价凸问题。随后通过评估所有可行辅助者候选得到全局最优解。仿真结果验证了所提联合计算与中继方案一致优于仅计算、仅中继和专用辅助者协作。该增益源于其能够根据网络条件自适应平衡辅助者计算与ES处理，并选择合适的辅助者。这些结果证明了在多用户无线供能MEC系统中协同优化辅助者选择、任务划分和资源分配的有效性。