论文学习笔记2

论文学习笔记📌

🏷️文献基本信息

Two Time-Scale Joint Service Caching and Task Offloading for UAV-assisted Mobile Edge Computing

• 期刊信息：IEEE INFOCOM 2022 - IEEE Conference on Computer Communications

• 研究方向：

  👇UAV Communication👇

  • MEC，Latency Optimization，Energy Constraint

📑文献基本内容

• 🌇研究场景

  无人机辅助无线网络中的联合服务缓存和任务卸载优化

  • Service caching ：服务分类，缓存至 UAVs
  • Task offloading ：任务可卸载至 UAVs 或 Cloud，任务支持部分卸载

• ⭕研究目的

  最小化服务时延 （UAV 能量和缓存容量受限）

  1️⃣UAV-UE 通信时延，2️⃣UAV 计算时延，3️⃣Cloud-UE 通信时延

  联合优化 服务缓存放置 $A$，无人机轨迹 $G$，UE-UAV关联 $X$ 和 任务卸载决策 $Y$
  ( P 1 ) m i n A , X , Y , G 1 T ~ ∑ t = 1 T ~ E { D t } s . t . ( 1 a ) , ( 1 b ) , ( 1 c ) , … , ( 1 m ) (P1) \underset{A,X,Y,G}{min} \frac{1}{\tilde{T}} \sum_{t=1}^{\tilde{T}}{\mathbb{E}\{D^t\}}\\ s.t. (1a),(1b),(1c),\ldots,(1m)\\ (P1)A,X,Y,Gmin​T~1​t=1∑T~​E{Dt}s.t.(1a),(1b),(1c),…,(1m)

• 🧰研究方法

  • 李雅普诺夫优化和凸优化
  • Lyapunov Optimization
  • Convex Optimization
    • SCA Technique，Interior point Method

• 📐研究思路（技术路线）

  TJSO Algorithm🧠

  一种基于交替优化 (Alternating Optimization) 的算法；

  利用了 Lyapunov Optimization 和 Dependent rounding technique ；

  每 $T$ 个时隙迭代优化四个决策变量 { A , X , Y , G } \{A,X,Y,G\} {A,X,Y,G} ，每个时隙迭代优化三个决策变量 { X , Y , G } \{X,Y,G\} {X,Y,G} 。

  1. 利用 Lyapunov Optimization 构建虚拟能量队列 $Q(t)$ 💨

     表示当前能耗与能量约束的偏差，是 UAV $u$ 在时隙 $t$ 上的队列积压
     Q u ( t + 1 ) = m a x { Q u ( t ) + E u t − Q , 0 } Q_u(t+1)=max\{Q_u(t)+E_u^t-Q,0\} Qu​(t+1)=max{Qu​(t)+Eut​−Q,0}
     以此重构长期能量约束 1 T ~ ∑ t = 1 T ~ E { E u t } ≤ Q , ∀ u \frac{1}{\tilde{T}} \sum_{t=1}^{\tilde{T}}{\mathbb{E}\{E_u^t\}}\leq Q,\forall{u} T~1​∑t=1T~​E{Eut​}≤Q,∀u

     根据 Lyapunov 漂移加罚函数 🔗 构建 T-time-slot drift-plus-penalty Function
     Δ T ( Q ( t ) ) + V E { ∑ τ = 1 t + T − 1 D t ∣ Q ( t ) } \Delta_T(Q(t))+V\mathbb{E}\{\sum_{\tau=1}^{t+T-1}{D^t}|Q(t)\} ΔT​(Q(t))+VE{τ=1∑t+T−1​Dt∣Q(t)}
     进一步近似未来能量队列积压值为当前值，得到该函数的松弛上界，由此 $P1\to P2$

  2. Two Time-Scale Optimization ⏳

     t ∈ { T , 2 T , … , θ T } t\in\{T,2T,\ldots,\theta T\} t∈{T,2T,…,θT}， P t → o p t i m i z e { A , X , Y , G } P_t\overset{optimize}{\rightarrow}\{A,X,Y,G\} Pt​→optimize{A,X,Y,G}

     τ ∈ { T + 1 , T + 2 , … , 2 T − 1 , 2 T + 1 , … } \tau\in\{T+1,T+2,\ldots,2T-1,2T+1,\ldots\} τ∈{T+1,T+2,…,2T−1,2T+1,…}， P τ → o p t i m i z e { X , Y , G } P_\tau\overset{optimize}{\rightarrow}\{X,Y,G\} Pτ​→optimize{X,Y,G}

  3. 求解 $P_t\text{ or }{P}_{\tau }$ 方法相似⚖️

     Alternating Optimization 问题重构

     • P t 1 → F i x { A , X , Y } o p t i m i z e { G } → S C A P t 1 ′ ( Q C Q P ) P_{t1}\overset{optimize}{\underset{Fix\{A,X,Y\}}{\rightarrow}}\{G\}\overset{SCA}{\rightarrow}P_{t1}^{'}(QCQP) Pt1​Fix{A,X,Y}→​optimize​{G}→SCAPt1′​(QCQP)

     • P t 2 → F i x { G } o p t i m i z e { A , X , Y } → { A , X } relax int to frac P t 2 ′ P_{t2}\overset{optimize}{\underset{Fix\{G\}}{\rightarrow}}\{A,X,Y\}\overset{\text{relax int to frac}}{\underset{\{A,X\}}{\rightarrow}}P_{t2}^{'} Pt2​Fix{G}→​optimize​{A,X,Y}{A,X}→​relax int to frac​Pt2′​

       Interior point Method 求解 $P_{t2}^{{}^{\prime }}$ 得到 { A ^ , X ^ , Y ^ } \{\hat{A},\hat{X},\hat{Y}\} {A^,X^,Y^}

       Dependent rounding Technique [♟️DR Algorithm] 解得 { A ˉ , X ˉ , Y ∗ ∗ } \{\bar{A},\bar{X},Y^{**}\} {Aˉ,Xˉ,Y∗∗}

       { A ^ , X ^ , Y ^ } → A ˉ r o u n d i n g { A ˉ , X ^ , Y ^ } → interior point { X ∗ , Y ∗ } → X ˉ r o u n d i n g { A ˉ , X ˉ , Y ^ } → interior point { Y ∗ ∗ } \{\hat{A},\hat{X},\hat{Y}\}\overset{rounding}{\underset{\bar{A}}{\rightarrow}}\{\bar{A},\hat{X},\hat{Y}\}\overset{\text{interior point}}{\underset{}{\rightarrow}}\{X^*,Y^*\}\overset{rounding}{\underset{\bar{X}}{\rightarrow}}\{\bar{A},\bar{X},\hat{Y}\}\overset{\text{interior point}}{\underset{}{\rightarrow}}\{Y^{**}\} {A^,X^,Y^}Aˉ→​rounding​{Aˉ,X^,Y^}→​interior point​{X∗,Y∗}Xˉ→​rounding​{Aˉ,Xˉ,Y^}→​interior point​{Y∗∗}

📊研究结果（仿真）

• TJSO 与以下三个基准方案进行对比🧪
  • Random： 随机决策缓存和轨迹，UEs 尽可能多的将任务卸载至 UAVs
  • Delay central algorithm： 解除能量约束最小化服务时延
  • Myopic algorithm： 在更严格的长期能量约束（摒弃能量队列模型）下最小化服务时延

Time Average Delay/Energy Consumption

• $Fig.1.(a)$ 时间平均服务时延

  $Fig.1.(b)$ 时间平均无人机的总能耗

• TJSO 比 Delay central algorithm 消耗的能量少 $24\%$，仅仅略微牺牲了时延性能以满足能量消耗约束；

  Myopic algorithm 比 TJSO 时间平均时延高 $28\%$ ;

  对于 Random，在服务时延和能耗方面的性能都很差,存在明显的性能缺口相比其他方案。

Impact of Communication Access Ability

• $Fig.2.(a)$ UAV 最大可接入 UEs 数量 $\stackrel{Impact}{\to }$ 时间平均服务时延

  $Fig.2.(b)$ UAV 最大可接入 UEs 数量 $\stackrel{Impact}{\to }$时间平均无人机的总能耗

• 当通信接入能力增加时，服务时延会降低，因为可以将更多的 UEs 连接到 UAVs;

  当通信接入能力较小时，TJSO 与 Delay central algorithm 服务时延几乎相同，因为能量队列在大多数时间为零;

  随着通信接入能力的提高，TJSO 比 Delay central algorithm 服务时延高，以满足能耗约束。

Impact of Coverage Range

• $Fig.3.(a)$ UAV 辐射覆盖范围 $\stackrel{Impact}{\to }$ 时间平均服务时延

  $Fig.3.(b)$ UAV 辐射覆盖范围 $\stackrel{Impact}{\to }$ 时间平均无人机的总能耗

• TJSO 对覆盖范围更敏感，随着 $R$ 的增加，时延性能大大提高。

Impact of Storage Capacity and Cache Update Interval

• $Fig.4$ 存储容量和缓存更新间隔对时延性能的联合影响

• UAV 缓存的服务内容种类越多，UAV 处理任务的可能性就越大;

  如果存储容量 $C_u>3$ ，则缓存更新间隔对服务时延的影响非常小;

  Two Time-Scale cache update algorithm 可以在保证时延性能的同时帮助节省能量。

【📢】： 缓存决策 $A$ 间隔 $T$ 个时隙更新，其他决策 $X,Y,G$ 每个时隙更新个时隙更新

Impact of Energy Constraint

• $Fig.5$ 能耗约束 $Q$ $\stackrel{Impact}{\to }$ 时间平均服务时延和能耗

• 当能耗约束 $Q$ 较小时，分配给 UAV 的能量得到充分利用;

  TJSO 在较大 $Q$ 时具有较低服务时延，因为更多的任务被卸载到 UAVs 而不是 Cloud 进行处理；

  当约束 $Q$ 足够大时，服务时延下降逐渐变缓。

🧩扩展资料🧩

♟️DR Algorithm

👉13-30lines： Rounding procedure

---

✍️ 小方块xfk

📅 写于 2022年10月