目录
一、概述
翻译：面向民用飞机计算感知物联网应用的多层混合卸载-增强型Sagin
期刊：IEEE Journal on Selected Areas in Communications
doi：10.1109/JSAC.2022.3227031
链接：https://ieeexplore.ieee.org/document/9978924
二、个人总结
场景：CA使得物联网设备在偏远地区卸载其计算密集型任务成为可能。CA和卫星充当边缘服务器，卫星网络的地面站运行云计算。以最小化端到端时延和能耗的加权和为目标，联合考虑接入策略、发射功率、计算资源分配、卸载比例和时延容忍度，建立了部分计算卸载问题。一个很重要的点是既考虑了层间，又考虑了层内。过程：SAP向地面用户发送位置、计算资源等信息。用户通过G2A,G2S将计算需求和能力发给可见SAP。SAP之间通过星间链路和空空链路交换收集到的信息，实现层内层间的信息交换。方案：首先，利用广义benders分解法( GBD )将原问题分解为原始子问题和主问题，并利用并行连续凸近似( SCA )理论将多变量NP - hard主问题转化为凸问题。效果：本文算法在满足更严格的时延容忍度的情况下，能够在E2E时延和能耗之间达到最优折中。
三、方法
1、系统建模
A.网络模型
图1展示了CAA - SAGIN中的多层混合卸载框架和任务卸载过程。研究的时间区间被划分为具有相同持续时间τ的T个TS，TS被一个集合t∈T = { 1，..，T }索引。假设网络拓扑在每个TS中是不变的，并且在不同的TS之间可能会发生变化。在没有蜂窝覆盖的偏远地区，地面上分布着U个物联网设备(用户)，记为u∈U = { 1，..，U }。与SAP相比，物联网设备的速度要低得多。因此，用户和SAP之间的相对运动主要依赖于SAP的运动，这些设备可以被视为准静态的。它们间歇性地生成不同的计算密集型应用，生成任务的集合记为f∈F = { 1，..，F }。我们使用一个元组stf，bf，Tmaxf来表征任务f，其中stf是生成任务的用户，bf是输入数据包的数量，Tmaxf是完成任务的可容忍延迟。这些任务的延迟要求往往比较严格。也就是说，任务调度的过程是暂时的，而网络拓扑的变化相比较而言是缓慢的。因此，网络拓扑被认为在一个任务调度周期内是固定的[ 35 ]。
图1 CAA - SAGIN中的多层混合卸载框架及任务卸载说明。
由于物联网设备的计算能力有限，需要其他平台进行并行处理以保证延迟需求。令A和S分别表示飞机和卫星的数量，飞机和卫星的集合分别记为a∈A = { 1，..，A }和s∈S = { 1，..，S }。为了简单起见，令i∈I = A∪S表示所有SAP的集合.由于SN和AN分别工作在Ka和V波段，因此不存在层间干扰。当这些SAP在给定区域上空飞行时，它们将通过导频信道上的下行传输链路发送信号，从而公布它们的位置、通信和计算资源占用情况等必要信息。然后，这些SAP覆盖范围内的物联网设备将通过地-空( G2A )和地-空( G2S )链路将其计算需求和能力发送到其可见SAP。通过星间链路( ISLs )和空空( A2S )链路，SAPs之间可以交换各自收集到的信息，实现层内和层间的信息交互，构建计算感知系统。在本文中，具有计算单元的SAP是执行所提出的优化算法的实体。同时，它们可以作为边缘服务器平台，在星上处理计算密集型任务，并将处理结果返回给用户。由于信息交互过程中传输的数据量有限，因此上述过程的延迟可以忽略不计。
生成应用后，用户选择CA或卫星作为边缘服务器。为了描述用户关联策略，我们引入一个二进制矩阵x = { xf ( u , i) | u∈U，i∈I，f∈F }，其中xf ( u , i) = 1表示用户u = stf访问SAP i来完成任务f的处理。否则，xf ( u , i) = 0。每个任务被假设卸载到至多一个SAP。那么，我们有i∈I xf ( u , i)≤1，▽f∈F。多天线SAPs可以在一个TS中服务多个用户。
当任务卸载到SN时，接入的具有转发能力的卫星也可以将其采集的部分数据卸载到GS上供CC使用。GS的集合记为g∈G = { 1，..，G }。在合理的GS选址下，GS与核心网的距离通常是有限的。由于GSs通过光速的高速有线链路连接到核心网，因此GSs到核心网的传输时延可以忽略不计。因此，到达GS的任务相当于传输到核心网。需要注意的是，核心网的处理能力是足够强大的。
值得注意的是，CA网关几乎不在偏远地区建立，而且CA的通信范围比卫星小。因此，在这种情况下，CA与CA网关之间无法建立连接。由于不同CA的相对速度和飞行方向在不同TS之间快速且不断地变化，因此空空( A2A )链路作为ISL是不稳定的。通过A2S、ISL和空地( space-to-ground，S2G )链路同时向CA网关传输数据包也相当复杂。因此，当任务卸载到AN时，CA在其计算单元处理收集到的任务，而我们不考虑飞机直接或通过其他具有A2A链路的CA将数据卸载到CA网关的情况。
用户还必须决定将多少数据包卸载到访问的SAP。设ρ={ρf∈[0,1]|f∈f}表示局部处理的任务f的比率。令Rp为每个数据包中的比特数。因此，用于本地计算的数据量的比特是ρf-bf-Rp，并且用户将yf（u，i）=（1−ρf）bf分组卸载到其相关联的SAP。定义y=yEC f（s）s∈s，f∈f为MEC在卫星s处处理的分组数的矩阵。设yCC f（g）表示针对CC被卸载到GS g的分组的数量，则yEC f（s）+yCC f（g）＝yf（u，s）成立。当用户访问CA a时，yEC f（a）=yf（u，a）成立。
B.上传过程的传输
用户将任务卸载到不同SAP的流程如图2所示。
图2 SAP网络中一个任务的卸载过程示意图，其中实线表示数据传输，虚线表示节点处处理的任务。
（1）用户 to SAP
【省略过程】最后用户u到SAPi的上行传输时间：
能耗：
（2）数据在卫星间转发
当任务卸载不在GS范围内的卫星s时，s需要通过星间链路将其数据转发到其他卫星，直到有一颗卫星可以看到GS。怎么找呢？最短路由法。假设在SN的上传过程中，通信量从最小的卫星数变为最大的卫星数。即卫星s = smin向用户采集数据，卫星smax向GS传输数据，s + 1 ~ smax - 1的其他卫星用于数据转发。具体来说，如果s对任意GS可见，则s = smax成立。
（3）卫星到地面站的下行链路
给出时延表达式：
，
能耗：
C.上传过程的传输
云端-->卫星max-->卫星max-1-->....-->卫星s-->用户
给出没部分的时延和能耗，不同的是令α为输出数据规模和输入数据规模的比值
D.计算模型
（1）本地计算
时延：
能耗：
（2）边缘计算（CA,卫星）
时延：
能耗：
（3）云计算
时延：由于GS拥有多核高速CPU，计算能力足够强大，因此GS的计算延迟可以忽略不计。
能耗：
E.并行处理
用户访问CA时，进行部分计算卸载。
在航天网络中的延迟为：
能耗为：
在地面网络的延迟和能耗。
2、问题表述和GBD方法
A.问题表述
C1和C2表示用户关联变量是二进制的，每个用户最多可以将任务卸载到一个SAP。C3保证了非负用户的发射功率不能超过其最大值，并且当用户不与SAP关联时没有发射功率。C4保证用户到SAP链路的可达速率不低于门限值，C5意味着卸载的数据不超过容量。C6 ~ C8表示分配的计算资源结果非负且不能超过其计算能力。C9限制了MEC卸载到SN的数据包的范围。C10表示部分卸载策略。C11表示每个任务的E2E延迟不应超过其最大延迟容忍度。
B.可行性分析
就是讨论各个参数的上下界，证明这个方案是可行的。
C. GBD方法下的问题分解
大概就是把原问题分解为俩问题：主问题和子问题，然后各个击破。凸优化。
四、总结
本文以最小化时延和能耗的加权和为目标，研究了动态CAA - SAGIN中的多层计算卸载问题。为了充分利用不同平台的优势，我们考虑了本地-边缘-云的混合卸载方案，由于通信和计算资源的内部和相互耦合的相互作用，使得该问题更加全面和具有挑战性。为了克服原始MINLP问题复杂度高的问题，我们将其分解为两个子问题，即原始问题和主问题，在每次迭代中分别达到上界和下界。改进的并行SCA算法将NP - hard主问题转化为易于求解的凸问题。提出的MPTO算法获得了关联策略、发射功率、计算频率、任务划分和卸载比例的优化解。仿真结果验证了MPTO算法的收敛性和最优性。与SAGIN中现有的卸载算法相比，本文提出的MPTO算法在满足更严格的时延容忍度的情况下，能够在E2E时延和能耗之间达到最优折中。
该工作可视为CAA - SAGIN多层混合计算卸载的初步尝试。未来仍有大量工作值得追求。例如，当考虑具有处理能力的实体处的任务队列时，在保证任务队列稳定和实现优化目标的同时，安排不同优先级任务的处理顺序至关重要。
4005
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
