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 A A,无人机轨迹 G G G,UE-UAV关联 X X X 和 任务卸载决策 Y Y 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,GminT~1t=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
-
-
📐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 T 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} 。
-
利用 Lyapunov Optimization 构建虚拟能量队列 Q ( t ) Q(t) Q(t) 💨
表示当前能耗与能量约束的偏差,是 UAV u u u 在时隙 t t 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−1Dt∣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 P 1 → P 2 P1\rightarrow P2 P1→P2 -
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}
-
求解 P t or P τ P_t\text{ or }P_\tau Pt or Pτ 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) Pt1Fix{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}^{'} Pt2Fix{G}→optimize{A,X,Y}{A,X}→relax int to fracPt2′
Interior point Method 求解 P t 2 ′ P_{t2}^{'} Pt2′ 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
-
F i g . 1. ( a ) Fig.1.(a) Fig.1.(a) 时间平均服务时延
F i g . 1. ( b ) Fig.1.(b) 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 % 24\% 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 % 28\% 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
-
F i g . 2. ( a ) Fig.2.(a) Fig.2.(a) UAV 最大可接入 UEs 数量 → I m p a c t \overset{Impact}{\rightarrow} →Impact 时间平均服务时延
F i g . 2. ( b ) Fig.2.(b) Fig.2.(b) UAV 最大可接入 UEs 数量 → I m p a c t \overset{Impact}{\rightarrow} →Impact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
-
F i g . 3. ( a ) Fig.3.(a) Fig.3.(a) UAV 辐射覆盖范围 → I m p a c t \overset{Impact}{\rightarrow} →Impact 时间平均服务时延
F i g . 3. ( b ) Fig.3.(b) Fig.3.(b) UAV 辐射覆盖范围 → I m p a c t \overset{Impact}{\rightarrow} →Impact 时间平均无人机的总能耗
-
TJSO 对覆盖范围更敏感,随着 R R R 的增加,时延性能大大提高。
Impact of Storage Capacity and Cache Update Interval
-
F i g . 4 Fig.4 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 C_u>3 Cu>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 A A 间隔 T T T 个时隙更新,其他决策 X , Y , G X,Y,G X,Y,G 每个时隙更新个时隙更新
Impact of Energy Constraint
-
F i g . 5 Fig.5 Fig.5 能耗约束 Q Q Q → I m p a c t \overset{Impact}{\rightarrow} →Impact 时间平均服务时延和能耗
-
当能耗约束 Q Q Q 较小时,分配给 UAV 的能量得到充分利用;
TJSO 在较大 Q Q 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 Q 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