移动边缘智能系统中 AI 服务放置与资源分配的优化

利用移动边缘计算（MEC）的最新进展，边缘智能已成为在网络边缘支持移动人工智能（AI）应用的一种有前景的范式。在本文中，我们考虑多用户 MEC 系统中的 AI 服务放置问题，其中接入点（AP）将最新的 AI 程序放置于用户设备，以在用户侧实现本地计算/任务执行。为充分利用受限的无线频谱与边缘计算资源，仅当在用户侧启用本地计算能带来更优系统性能时，AP 才将该 AI 服务程序发送给用户。我们建立了一个混合整数非线性规划（MINLP）问题，通过联合优化服务放置（即哪些用户接收程序）与资源分配（本地 CPU 频率、上行带宽与边缘 CPU 频率），使所有用户的总计算时间与能耗最小化。为求解该 MINLP 问题，我们推导了低复杂度的最优资源分配决策的解析表达式。这使我们能够通过基于搜索的算法（如元启发式或贪心搜索算法）高效获得最优服务放置解。为提升算法在大规模网络中的可扩展性，我们进一步提出一种基于 ADMM（交替方向乘子法）的方法，将优化问题分解为可并行处理的易解 MINLP 子问题。该 ADMM 方法消除了在高维空间中搜索服务放置决策的需求，因而具有随用户数量线性增长的低计算复杂度。仿真结果表明，所提算法性能极接近最优解，并显著优于其他代表性基准算法。