Multi-access edge computing (MEC) emerges as an essential part of the upcoming Fifth Generation (5G) and future beyond-5G mobile communication systems. It brings computation power to the edge of cellular networks, which is close to the energy-constrained user devices, and therewith allows the users to offload tasks to the edge computing nodes for a low-latency computation with low battery consumption. However, due to the high dynamics of user demand and server load, task congestion may occur at the edge nodes, leading to long queuing delay. Such delays can significantly degrade the quality of experience (QoE) of some latency-sensitive applications, raise the risk of service outage, and cannot be efficiently resolved by conventional queue management solutions. In this article, we study an latency-outage critical scenario, where the users intend to reduce the risk of latency outage. We propose an impatience-based queuing strategy for such users to intelligently choose between MEC offloading and local computation, allowing them to rationally renege from the task queue. The proposed approach is demonstrated by numerical simulations as efficient for generic service model, when a perfect queue information is available. For the practical case where the users obtain no perfect queue information, we design a optimal online learning strategy to enable its application in Poisson service scenarios.


翻译:多接入边缘计算(MEC)是即将到来的第五代(5G)和未来5G移动通信系统(5G)的关键部分,它将计算能力带到蜂窝网络的边缘,而蜂窝网络的边缘接近于能源紧缺的用户设备,从而允许用户为低电池消耗量低的低延迟计算而将任务卸到边端计算节点。然而,由于用户需求和服务器负荷的高度动态,任务拥堵可能出现在边缘节点,导致长时间排队延误。这种延误会大大降低一些对延时敏感应用的经验质量(QoE),增加服务中断的风险,无法通过常规的排队管理解决方案有效解决。在文章中,我们研究了一个拉长点退出临界点,用户打算降低延时的延迟耗耗耗风险。我们提出了基于不耐烦的排队列战略,让这些用户在MEC卸载和本地计算之间作出明智的选择,使他们能够合理地脱离任务排队列。我们提议的方法是通过数字模拟来展示其最完善的排队列式战略,当我们获得最完善的通用服务时,则能够进行最精确的在线学习。

0
下载
关闭预览

相关内容

【边缘智能综述论文】A Survey on Edge Intelligence
专知会员服务
120+阅读 · 2020年3月30日
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
计算机类 | SIGMETRICS 2019等国际会议信息7条
Call4Papers
9+阅读 · 2018年10月23日
人工智能 | COLT 2019等国际会议信息9条
Call4Papers
6+阅读 · 2018年9月21日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
A Survey on Edge Intelligence
Arxiv
50+阅读 · 2020年3月26日
Arxiv
35+阅读 · 2019年11月7日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
计算机 | CCF推荐期刊专刊信息5条
Call4Papers
3+阅读 · 2019年4月10日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
计算机类 | SIGMETRICS 2019等国际会议信息7条
Call4Papers
9+阅读 · 2018年10月23日
人工智能 | COLT 2019等国际会议信息9条
Call4Papers
6+阅读 · 2018年9月21日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员