Résultats Numériques

Nous considérons un système MEC avec la bande passante du canal de 10 MHz et K = 20 UEs répartis de manière aléatoire dans une zone de couverture cellulaire avec un rayon de 900m. Dans nos paramètres de simulation, nous définissons F_kmax = 2.4 GHz, P_km = 0.22 (Watts), pk,0 = 0.05,

αk = 0.1×10−27, |Lk| = 5, and ηk = η pour tous k, M = 30, Fc = 40 GHz, pdlmax = 10 (Watts),

σbs = σkdl = bande passante ×3.6 × 10−21, T = 200 symboles. Tous les UE ont le même nombre

de tâches parallèles et la même demande de calcul totale de 0.24 Gcycles, mais le nombre de cycles CPU par tâche est défini de manière aléatoire. Le nombre total de bits de transmission pour toutes les tâches est défini pour être le même pour tous les UE tandis que le nombre de bits par tâche est généré de manière aléatoire. Pour l’évaluation des performances de la conception proposée, nous choisissons le rapport entre le nombre total de bits de transmission et le nombre total de cycles CPU requis (BPC) à environ 4.2 × 10−3 (à l’exception des résultats de la Fig. 2.1), qui est proche de sa valeur la plus élevée possible pour les applications considérées dans [26]. Le coefficient du

0.08 0.1 0.12 0.14 Time delay 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 Min-max W.C.E (J) BPC = 4.2*10-3 0.08 0.1 0.12 0.14 Time delay 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 Min-max W.C.E (J) BPC = 2.1*10-3 No-offload p k = Pmax/2 p k = Pmax Optimal p k

Figure 2.1 – Comparaison des performances avec / sans déchargement et avec/sans optimisation des ressources radio et calcul.

canal à petite échelle est généré selon la distribution de Rayleigh et l’affaiblissement de propagation est défini selon le rapport technique 3GPP comme βk (dB) = 128.1 + 37.6 log10(dk) où dk est la

distance géographique entre UE k et la BS (en km) [27].

L’avantage de l’optimisation de l’allocation des ressources radio et calcul conjointe dans la con- ception de déchargement de calcul est illustré sur la Fig.2.1 pour faire varier le retard maximum autorisé η. Dans cette figure, compte tenu de l’absence de transmission de données en liaison de- scendante et du scénario P-CSI, nous comparons les performances réalisables dans quatre scénarios: traitement des tâches sur les appareils mobiles (‘No-offload’), déchargement partiel avec décision de déchargement optimale et allocation des ressources en nuage avec fixe puissance d’émission pour tous les UE p_k = pmax/2 et pk = pmax, et avec une allocation optimale de la puissance d’émission

(‘Optimal p_k ’). Les sous-figures gauche et droite montrent le W.C.E min-max atteint pour dif- férentes valeurs de bits de transmission par cycle CPU (BPC). Sur cette figure, nous pouvons voir que la latence minimale requise pour que l’appareil mobile puisse traiter ses tâches localement (le cas ‘No-offload’) est de 0,1 s tandis que la latence minimale requise dans les autres cas, 0,08 s. Cela signifie que le déchargement des calculs permet aux appareils mobiles d’obtenir une latence plus faible. En outre, l’énergie consommée dans le schéma de déchargement partiel est nettement inférieure à celle dans le cas ‘No-offload’. Par exemple, le W.C.E min-max à η = 0, 1s dans la sous-figure de gauche est égal à 0,138, 0,036, 0,029, 0,014 pour le ‘No-offload’, puissance d’émission fixe de ‘p_k= p_max/2’, ‘pk= pmax’ et ‘Optimal pk’ respectivement. Cela signifie que le déchargement

0.08 0.09 0.1 0.11 0.12 0.13 0.14 Time delay 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 Min-max W.C.E (J) P-O, noDL P-SO, noDL IP-SO, noDL IP-SO, withDL, dpu= 0.5 IP-SO, withDL, dpu =1 IP-SO, withDL, dpu = 1.5

Figure 2.2 – Min-max W.C.E versus maximum allowable latency.

partiel permet d’économiser environ 5 fois l’énergie sans optimisation de la puissance de transmis- sion et d’économiser environ 10 fois l’énergie avec une puissance de transmission optimale. De plus, la différence d’énergie consommée entre les schémas de déchargement et de non-déchargement augmente pour un plus petit nombre de bits de transmission.

La figure 2.2 présente les performances obtenues des différents scénarios de conception consid- érés dans cet article: solution optimale avec P-CSI - pas de données de liaison descendante (‘PO, noDL’), solution avec P-CSI - pas de données de liaison descendante ( ‘P-SO, noDL ’) et IP-CSI - pas de liaison descendante données (‘IP-SO, noDL’). Nous considérons également différents scénar- ios d’application avec une petite, moyenne et grande quantité de données de liaison descendante en comparaison avec une quantité de données de liaison montante où les performances de notre algo- rithme de faible complexité pour le scénario IP-CSI sont étudiées. Plus précisément, nous définissons le rapport entre la quantité de données de liaison descendante et la quantité de données de liaison montante (Γdpu) (c.-à-d. calculé comme Plk∈Lkb

dl k,lk/

P

lk∈Lkbk,lk) égal à 0,5, 1 et 1,5 correspon-

dant aux données de liaison descendante faible (‘Γ_dpu = 0.5’), aux données de liaison descendante moyenne (‘Γdpu= 1’), et de grandes données de liaison descendante (‘Γdpu= 1.5’), respectivement.

On peut observer à partir de cette figure que l’algorithme de faible complexité atteint des performances presque optimales lorsque la contrainte de temps délai maximale est moins stricte (courbes ‘bleues’ et ‘noires’). Pour le scénario IP-CSI, les utilisateurs mobiles auront besoin de plus d’énergie pour la transmission de données afin de compenser les erreurs d’estimation CSI. Lorsque la quantité de données de liaison descendante augmente, il faut plus de temps pour transférer les

données de téléchargement, ce qui signifie que moins de temps est disponible pour télécharger les données de liaison montante et le calcul sur le serveur en le nuage. Dans certains cas, l’augmentation de la puissance de transmission à sa valeur maximale peut ne pas conduire à une amélioration du SINR, et le faible taux de transmission peut empêcher la transmission de données de liaison montante réussie dans le processus de déchargement. Dans tous les scénarios étudiés, même pour la valeur élevée de Γ_dpu, le schéma de déchargement partiel nous permet d’économiser considérablement de l’énergie.

2.2.2 Compression des Données et Déchargement des Calculs Conjointe dans