Computation Offloading for Rechargeable Users in Space-Air-Ground Networks[1]
翻译:空天地网络中可充电用户的计算卸载
来源:TWC
-
二、介绍
背景:依托空天地( SAG )融合的万物人工智能( AIoE )网络,海量计算密集型和时延敏感型任务既可以由地面用户本地执行,也可以卸载到SAG服务器,如远程基站、空中高空平台( HAP )和低轨卫星等。然而,考虑到动态网络环境、大规模覆盖和电池能量备份约束,通信和计算资源的联合优化成为一个巨大的挑战。
方法:本文提出了一种融合SAG的异构计算卸载架构,用于通信和计算资源的深度整合,以最大化所有用户的总速率。此外,本文提出了一种基于Lyapunov函数的多智能体近端策略优化算法来解决任务调度和HAP选择问题。基于凸优化的通信和计算资源分配方案处理CPU周期频率和传输功率。电池能量备份是通过线性规划策略来解决的。实验结果表明,本文方法在收敛速度、平均和速率和AIoE用户的电池备份水平方面有显著优势。
-
三、方法
系统建模
-
1、系统结构
考虑有1个卫星、K个HAP(括许多无人平台,如飞艇、气球和无人机)、1个地面基站和N个用户。卫星优点是全球覆盖,缺点是载荷有限,而且传输距离远。HAP的缺点是范围有限。考虑两种任务类型:计算密集型任务和延迟敏感型任务,假设计算任务被建模为独立同分布的伯努利过程,即计算密集型任务以概率ρ请求,延迟密集型任务以概率1-ρ请求。
图表 1 网络模型
-
2、信道模型
- G2H通信模型:HAP 和用户 之间。链路损耗为:
链路速率表示为:
其中,p为传输功率。
2、G2S通信模型:卫星s和用户ni 之间。链路速率为:
其中,B为分配信道带宽,C为链路损耗。
3、G2B通信模型:基站和用户ni 之间。假设是个固定的值。
4、本地计算模型:每秒处理的任务数为: 。
3、能量生产模型
用户能耗=本地处理能耗+任务卸载的能耗≤可用电池容量。
本地处理能耗: ;卸载能耗:
4、问题建模
- 任务卸载。延迟敏感的任务部分卸载到G2H链路和G2B链路。 为时延密集型任务在时隙t的卸载向量,其中这两项分别对应时延敏感任务从G2H链路和G2B链路的卸载比例。 为计算密集型任务在时隙t的卸载向量,其中β ti1、β ti2和β ti3分别对应于计算密集型任务从G2H链路、G2B链路和G2S链路的卸载比率。
- 优化模型。对于每个设备ni的计算密集型任务,总和速率可以由下式给出:
类似地,每个设备ni的延迟敏感任务的总吞吐量可以表示为:
随后,可以推导出联合多阶段随机优化问题如下图。其中,C1和C2分别表示延迟敏感任务和计算密集型任务的卸载比例。C3和C4分别对应CPU周期频率f ti,l和发射功率p ti,其中f max i,l和p max i分别为ni的最大可用计算资源和发射功率。此外,C5和C6表示每个n i只能选择一个HAP k j进行计算卸载。C7表示收集到的能量n i不能超过上限e max H,C8表示由于电池安全性的原因,放电能量有限。C9表示电池长期平均备用约束。
算法
基本思路个人总结如下:首先,由于时间相关的电池能量以及能量收集的长期约束和计算卸载的短期决策之间的变量耦合,很难直接处理问题P1。因此,使用李雅普诺夫优化将多状态问题分解为短期确定性子问题。原问题P1转化为P2:
然后将P2的多级问题转化为三个子问题,分别为:最优能量收集策略、用户侧资源分配、任务调度和HAP选择,接下来写每个的解决办法。(1)最优能量收集策略的解决办法就是for循环找最优;(2)用户侧资源分配。这是一个凸优化问题,我们可以通过求解Karush - Kuhn - Tucker ( KKT )条件来获得最优传输和局部CPU周期频率;(3)任务调度和HAP选择。这是个NP - hard问题,传统的优化方法难以适应未知的网络环境。为了有效地解决该问题,本文提出了MAPPO算法框架。
-
四、个人小结
背景空天地一体化网络中的卸载问题。我认为,本文的一大亮点就是把任务分成了两类:计算密集型任务和延迟敏感型任务,然后延迟敏感的任务部分卸载到G2H链路和G2B链路,计算密集型任务卸载到G2H链路、G2B链路和G2S链路。(1)目标:计算密集型任务的速率和延迟敏感任务的吞吐量。(2)约束:卸载比例、CPU能力、发射功率、能量、电池容量等。(3)算法:本文算法部分思路特别清晰。首先,由于长期约束很难直接处理问题P1。因此,使用李雅普诺夫优化将多状态问题分解为短期确定性子问题。然后把这个问题拆解为三个子问题,逐个击破。
-
参考文献
[1] Gong Y, Yao H, Wu D, 等. Computation Offloading for Rechargeable Users in Space-Air-Ground Networks[J]. IEEE Transactions on Vehicular Technology, 2023, 72(3): 3805-3818.