Mobile edge computing (MEC) is rising as a key technology for computation-intensive and delay-sensitive applications. Many works have focused on MEC, but most of them only consider unicast scenarios, and ignore multicast issues. The reason is that MEC aiming at personalized computing of users conflicts with multicast which demands the same data stream. This makes MEC and multicast seem inconsistent. However, in fact, there will be lots of services, whose computation process is different but the result may be same (e.g. media push), which can greatly benefit from multicast over MEC and make the combination of multicast and MEC meaningful. In this paper, we first consider challenges and propose multicast-aware resource allocation for MEC, which jointly optimizes computing and caching in multicast scenarios. We formulate the problem by considering user request, network communication, service caching and service computing. But this model is knotty because it is an optimization problem with mixed discrete and continuous variables. Besides its optimization objective is the average value over a long time. Considering the complexity, we first transform the problem into an online optimization, which jointly minimizes the average time delay and energy consumption, by stochastic optimization. Then we separate the discrete variables and continuous variable, and decompose the problem into two subproblems. By solving subproblems, an efficient online algorithm called MA-ECC is proposed. Finally, we compare it with other three baseline methods, and result shows that MA-ECC can effectively reduce service latency while still keeping energy consumption low.

移动边缘计算 (MEC) 作为计算密集型和延迟敏感型应用的关键技术正在崛起。许多工作都集中在MEC上，但大多只考虑单播场景，而忽略了多播问题。原因是针对用户个性化计算的MEC与需要相同数据流的组播相冲突。这使得 MEC 和多播看起来不一致。但是，实际上会有很多服务，它们的计算过程不同但结果可能相同（例如媒体推送），这可以极大地受益于MEC上的组播，并使组播和MEC的结合变得有意义。在本文中，我们首先考虑挑战，并为 MEC 提出了多播感知资源分配方案，以共同优化多播场景中的计算和缓存。我们通过考虑用户请求、网络通信、服务缓存和服务计算来制定问题。但是这个模型很棘手，因为它是一个混合离散和连续变量的优化问题。此外它的优化目标是长时间的平均值。考虑到复杂性，我们首先将问题转化为在线优化，通过随机优化联合最小化平均时延和能耗。然后我们将离散变量和连续变量分开，将问题分解为两个子问题。通过求解子问题，提出了一种称为 MA-ECC 的高效在线算法。最后，我们将其与其他三种基线方法进行比较，结果表明 MA-ECC 可以有效减少服务延迟，同时仍然保持较低的能耗。网络通信、服务缓存和服务计算。但是这个模型很棘手，因为它是一个混合离散和连续变量的优化问题。此外它的优化目标是长时间的平均值。考虑到复杂性，我们首先将问题转化为在线优化，通过随机优化联合最小化平均时延和能耗。然后我们将离散变量和连续变量分开，将问题分解为两个子问题。通过求解子问题，提出了一种称为 MA-ECC 的高效在线算法。最后，我们将其与其他三种基线方法进行比较，结果表明 MA-ECC 可以有效减少服务延迟，同时仍然保持较低的能耗。网络通信、服务缓存和服务计算。但是这个模型很棘手，因为它是一个混合离散和连续变量的优化问题。此外它的优化目标是长时间的平均值。考虑到复杂性，我们首先将问题转化为在线优化，通过随机优化联合最小化平均时延和能耗。然后我们将离散变量和连续变量分开，将问题分解为两个子问题。通过求解子问题，提出了一种称为 MA-ECC 的高效在线算法。最后，我们将其与其他三种基线方法进行比较，结果表明 MA-ECC 可以有效减少服务延迟，同时仍然保持较低的能耗。但是这个模型很棘手，因为它是一个混合离散和连续变量的优化问题。此外它的优化目标是长时间的平均值。考虑到复杂性，我们首先将问题转化为在线优化，通过随机优化联合最小化平均时延和能耗。然后我们将离散变量和连续变量分开，将问题分解为两个子问题。通过求解子问题，提出了一种称为 MA-ECC 的高效在线算法。最后，我们将其与其他三种基线方法进行比较，结果表明 MA-ECC 可以有效减少服务延迟，同时仍然保持较低的能耗。但是这个模型很棘手，因为它是一个混合离散和连续变量的优化问题。此外它的优化目标是长时间的平均值。考虑到复杂性，我们首先将问题转化为在线优化，通过随机优化联合最小化平均时延和能耗。然后我们将离散变量和连续变量分开，将问题分解为两个子问题。通过求解子问题，提出了一种称为 MA-ECC 的高效在线算法。最后，我们将其与其他三种基线方法进行比较，结果表明 MA-ECC 可以有效减少服务延迟，同时仍然保持较低的能耗。此外它的优化目标是长时间的平均值。考虑到复杂性，我们首先将问题转化为在线优化，通过随机优化联合最小化平均时延和能耗。然后我们将离散变量和连续变量分开，将问题分解为两个子问题。通过求解子问题，提出了一种称为 MA-ECC 的高效在线算法。最后，我们将其与其他三种基线方法进行比较，结果表明 MA-ECC 可以有效减少服务延迟，同时仍然保持较低的能耗。此外它的优化目标是长时间的平均值。考虑到复杂性，我们首先将问题转化为在线优化，通过随机优化联合最小化平均时延和能耗。然后我们将离散变量和连续变量分开，将问题分解为两个子问题。通过求解子问题，提出了一种称为 MA-ECC 的高效在线算法。最后，我们将其与其他三种基线方法进行比较，结果表明 MA-ECC 可以有效减少服务延迟，同时仍然保持较低的能耗。通过随机优化。然后我们将离散变量和连续变量分开，将问题分解为两个子问题。通过求解子问题，提出了一种称为 MA-ECC 的高效在线算法。最后，我们将其与其他三种基线方法进行比较，结果表明 MA-ECC 可以有效减少服务延迟，同时仍然保持较低的能耗。通过随机优化。然后我们将离散变量和连续变量分开，将问题分解为两个子问题。通过求解子问题，提出了一种称为 MA-ECC 的高效在线算法。最后，我们将其与其他三种基线方法进行比较，结果表明 MA-ECC 可以有效减少服务延迟，同时仍然保持较低的能耗。