A Novel Lyapunov based Dynamic Resource Allocation for UAVs-assisted Edge Computing

• 目录

  一、期刊概述

  二、介绍

  三、相关基础知识

  四、方法

  问题建模

  1、计算卸载模型

  2、通信模型

  3、卸载任务队列模型

  4、系统能耗模型

  5、时延模型

  6、目标与约束

  基于李雅普诺夫的动态资源分配( LDRA )

  五、个人小结

  参考文献

  ---

• 一、期刊概述

A Novel Lyapunov based Dynamic Resource Allocation for UAVs-assisted Edge Computing[1]

题目翻译：一种新的基于Lyapunov的无人机边缘计算动态资源分配方法

链接：https://www.sciencedirect.com/science/article/pii/S1389128621005685

来源：TMC（IEEE Transactions on Mobile Computing）

• 二、介绍

背景：在多个无人机辅助的边缘计算中，为移动设备选取合适的边缘服务器，最小化成本，最大化效用。保证延迟。

方法：本文提出了一种基于李雅普诺夫的无人机辅助移动边缘计算动态资源分配算法( Dynamic Resource Allocation，LDRA )，在LDRA方案中，为边缘服务器建立了一个随机队列模型，以支持移动设备卸载计算任务的动态性。此外，综合考虑无人机和移动设备的移动性、能量约束等多个约束条件，建立了无人机辅助边缘计算的系统成本模型。以最小化系统成本和最大化提供边缘资源完成移动设备卸载计算任务的系统效用为目标，通过引入李雅普诺夫优化，提出一种动态资源分配方案，有效地确定边缘服务器卸载移动设备任务，同时考虑边缘服务器卸载任务的实时执行状态和通信链路的状态。

• 三、相关基础知识

信道增益

描述的是信道本身的衰减及衰落特性，。收功率=信道增益*传输功率。一直处于静止状态就认为信道增益没有变。

• 四、方法

• 问题建模

• 1、计算卸载模型

在每个时隙中，为了保证时延约束，每个移动设备的多个计算任务需要卸载到移动边缘服务器上进行处理，并且只考虑完全卸载。移动边缘服务器ni在时隙t的接收任务总量为如式（2），其中M为移动设备数量，Jmj ( t )表示移动设备mj在时隙t的计算任务。

• 2、通信模型

主要考虑视距通信链路，信道增益主要取决于空地距离，如式（4），其中，β0为单位信道功率增益，即通信距离为1m处的信道功率增益。

3、卸载任务队列模型

一个边缘服务器对应一个任务队列，长度记为Q，L代表完成的任务，A代表接收的任务。式（5）表示任务队列的更新。

另外，由于移动边缘服务器资源有限，移动边缘服务器在一个时隙内能够处理和完成的任务负载应该存在一个最大值，完成的任务应该要小于这个最大值。此外，考虑到时延，队列的长度不能无限，当且仅当移动边缘服务器中的任务队列长度小于任务队列的上限时，移动设备的计算任务可以卸载到移动边缘服务器，并考虑延迟。

4、系统能耗模型

总能耗=计算能耗+传输能耗+无人机运动能耗

1. 计算能耗为 。其中k取决于CPU的硬件，f为边缘服务器被占用的计算资源，这与计算卸载有关，并且要小于等于该服务器的最大资源。
2. 传输能耗为 pni表示移动边缘服务器接收1 bit数据产生的能耗。另外，只考虑了接收卸载任务产生的能耗，而不考虑将结果发回移动设备产生的能耗，因为计算结果通常比较小，所以本文模型忽略不计。
3. 无人机运动能耗包括静止不动的能耗还飞行的能耗。

由于任务计算和数据传输所消耗的能量可能远小于无人机运动所消耗的能量，这种数量级的差异将影响对无人机任务卸载的任务通信和计算能耗的研究。因此，本文在能耗模型中引入了一个激励因子，记为ω，以减轻数量级的差异。所以，最终的能耗模型为：

5、时延模型

总时延=计算时延+传输时延

1. 计算时延为： ，这与计算能力和接收的任务有关。
2. 传输时延为： 这与通信延迟、载任务的负载、通信带宽、发射功率和信道功率增益有关。

最后，系统的成本模型为 。

6、目标与约束

目标是最小化系统的成本（上式子P）。

约束为：式 ( 25 )表示移动边缘服务器中任务队列的稳定性约束。式( 26 )保证了分配的计算资源小于移动边缘服务器拥有的总计算资源。式( 27 )表示移动边缘服务器中任务队列的积压约束。当达到任务队列的最大积压时，会产生较大的延迟，导致大量任务丢失。式( 28 )表示任务的完全卸载约束，保证每个任务只能卸载到一个移动边缘服务器。式( 29 )保证了在每个时隙，无人机(包括卸载任务所消耗的通信和计算能量,以及无人机的动能)的总能耗必须不大于其当前在电池中的剩余功率能量。式( 30 )保证了所有卸载任务都能在其允许的延迟内完成。

基于李雅普诺夫的动态资源分配( LDRA )

为了解决上述优化问题，本文引入Lyapunov函数对动态系统进行控制，将时间依赖的长期优化问题转化为只需要当前时隙信息的时间独立的优化问题。然后，提出了一种基于贪心的匹配参数确定算法来解决优化问题，寻找无人机与移动设备之间的最优匹配参数。

小结一下：李雅普诺夫优化可以将以最小化系统长期总成本为目标的动态资源分配优化问题，转化为在每个时隙选择最优匹配参数的优化问题，从而降低了LDRA方案优化问题的求解复杂度。我认为是将问题分解了，而且更精确了。优化之前，就是最小化所有时间段的成本，优化后是考虑每个时隙，优化参数。

• 五、个人小结

大概自己总结一下这篇论文：背景在多个无人机辅助的边缘计算中，为移动设备选取合适的边缘服务器，最小化成本，保证延迟。（1）先看目标：目标函数就是式（24），即对功耗和时延的一个加权和。（2）接下来是约束，约束是在对问题建模的过程中逐步发现的，比如对卸载任务队列建模时，约束为队列长度不能太长，不然时延会很过分；对能耗进行建模时，总能耗不能大于无人机剩余的电量。（3）最后是算法，本文的算法很经典很经典，李雅普诺夫优化算法，但是没咋看懂。这个优化算法在本文中起到什么作用呢？就是对前文得出的目标函数进行优化，优化前是最小化系统长期总成本，优化后是在每个时隙选择最优匹配参数。给我的感觉像是，高数中的积分，求一个函数与坐标轴围成的图像的面积不好求，就把该图像分割成无数个矩形累加。我认为，在本文中，李雅普诺夫就是把一段时间切割成时隙，再累加。但是那个最优匹配参数我不能理解是什么意思，打算下周再看看李雅普诺夫优化。

这篇文章没有直接告诉我们约束是什么，而是在对问题进行建模（计算卸载建模、通信建模、卸载任务队列建模、时延和功耗建模）的过程中，逐步找出约束。一个启发就是，可以不用为了找约束而找约束，对问题进行分解、建模，自然就会发现有什么约束了。不像目标一样，一开始建模就需要很明确。

• 参考文献

[1]   Lin J, Huang L, Zhang H, 等. A Novel Lyapunov based Dynamic Resource Allocation for UAVs-assisted Edge Computing[J]. Computer Networks, 2022, 205: 108710.