联合边缘服务器部署与计算卸载：一个多时间尺度的随机规划框架

《IEEE Transactions on Mobile Computing》：Joint Edge Server Deployment and Computation Offloading: A Multi-Timescale Stochastic Programming Framework

MEC通过边缘计算提升AI应用QoS，研究其在随机信息场景下ES部署、服务放置与任务卸载的联合优化。提出多时标随机规划框架，战略层基于不完全信息预决策，战术层实时动态优化，设计Lyapunov算法与马尔可夫近似算法分别求解，仿真显示总成本降低56%。

　　

摘要：

移动边缘计算（MEC）是一种有前景的方法，它通过将计算能力带到网络边缘，更接近最终用户，从而提高B5G/6G时代基于人工智能的应用程序的服务质量（QoS）。在这项工作中，我们研究了在随机信息场景下边缘服务器（ES）部署、服务放置和计算任务卸载的联合优化问题。传统方法通常将这些决策视为等同的，忽略了信息实现的差异。然而，在实践中，边缘服务器的部署决策必须提前做出并且保持不变，直到信息完全实现；而关于服务放置和计算任务卸载的决策则可以在信息完全实现后实时做出并进行调整。为了解决决策与信息实现之间的这种时间耦合问题，我们引入了随机规划（SP）框架，该框架包括一个基于（不完整）随机信息的战略层，用于决策边缘服务器的部署；以及一个基于完整信息实现的战术层，用于决策服务放置和任务卸载。由于两层决策的时间尺度不同，这个问题具有挑战性。为了克服这一挑战，我们提出了一个多时间尺度的SP框架，其中战略层决策采用较大的时间尺度（称为“周期”），而战术层决策采用较小的时间尺度（称为“时隙”）。此外，我们设计了一种基于李雅普诺夫的算法来解决每个时隙中的战术层问题，并采用了一种马尔可夫近似算法来解决每个时间周期中的战略层问题。仿真结果表明，我们提出的解决方案显著优于那些忽视决策与信息实现之间耦合关系的现有基准算法，总系统成本降低了高达56%。

引言

随着超越5G（B5G）和6G技术的快速发展，日常生活中出现了各种基于人工智能的分布式交互式应用程序（DIAs），包括协作式虚拟现实（VR）、全息投影和元宇宙。这些应用程序通常资源密集、计算要求高，并且对延迟非常敏感。传统的云计算架构由于通信开销大、网络抖动以及集中式云服务器与移动设备之间的往返时间（RTT）长，往往无法满足这些应用程序的需求[2]。为了解决这些问题，移动边缘计算（MEC）[3]、[4]、[5]、[6]、[7]、[8]作为一种有前景的范式应运而生，它通过在网络边缘提供计算服务来支持这些新应用程序，使计算能力更接近最终用户。因此，MEC越来越被认为是支持B5G/6G时代下一代应用程序的关键使能技术。