Computation Throughput Maximization for UAV-Enabled MEC with Binary Computation Offloading
基于二元计算卸载的无人机支持的移动边缘计算的计算吞吐最大化
- 本文讨论:用无人机作为移动边缘设备,使用二元计算卸载。
- 解决的问题:通过计算模型选择、无人机轨迹和资源分配的联合设计,最大化所有设备的计算吞吐量。
- 方法:优化问题表述为混合整数非线性问题,并通过利用惩罚连续凸近似(P-SCA)方法和两个凸(D.C.)优化框架,开发了一种高效的迭代算法来获得次优解。
- 贡献:提出了一种高效的迭代算法,可以在无人机支持的MEC系统中最大化计算吞吐量。
I、介绍
边缘计算:
5G和物联网(IoT)快速发展,为了用户更好的体验,大量的应用要求低延时和计算存储能力。而物联网设备的续航和计算能力都比较有限,移动边缘计算(MEC)就是为了解决这个问题。将有强大的计算存储能力的边缘设备部署到物联网设备附近,能解决设备自身的一些局限性,降低延时。
在MEC的帮助下,物联网设备能卸载他们自身不好完成的任务到边缘设备中,借此也节约自己的能量。
binary卸载
关于任务卸载model,有两种:
-
部分卸载:设备会将每个任务一部分在本地进行处理,一部分卸载到边缘服务端处理。
文章提到了一些现有的基于部分卸载研究,但认为部分卸载很难应用到实际之中。
-
二元卸载:每个任务只会完全在本地或者完全卸载到其他的边缘服务端处理。(这种方式是本文主要研究的内容,因为它更适合不能被分割的物联网计算任务)
二者和UAV结合
将上面提到的边缘计算给无人机完成(UAV-enabled MEC),利用无人机的高机动性将更好的节约部署成本、提高部署的可行性。并联合优化计算卸载、计算资源分配、无人机轨迹以实现各种设计目标。
再将binary卸载策略与提供边缘计算的无人机(UAV-enabled MEC)结合,达到吞吐量最大化,就是文章的题目。
文章贡献
- 地面设备之间的公平性。
用最大化所有设备的最小计算吞吐量保证,通过联合优化无人机轨迹、计算模型选择,和设备计算频率分配。并将问题描述为混合整数非线性优化问题。 - 将问题重新表述为一个数学等价问题。
- 实验证明了binary计算卸载策略的有效性
II、系统模型和问题表述
1、系统模型
-
地面设备:
K K K为所有设备集合, s k , 1 ≤ k ≤ K s_k,1 \le k \le K sk,1≤k≤K, w k w_k wk二维向量水平坐标
f k [ n ] f_k[n] fk[n]第n段时隙的设备频率 C k C_k Ck设备CPU处理1比特需要的周期数
每个时隙处理的比特数: f k [ n ] δ t C k \frac{f_k[n]\delta_t}{C_k} Ckfk[n]δt -
无人机设备(固定高度):
T T T总的时间范围, q ( t ) q(t) q(t)水平坐标,将时间范围T等分成很小间隙 δ t \delta_t δt,无人机的路径 { q [ n ] , 1 ≤ n ≤ N } \{\mathbf{q}[n],1\leq n\le N\} {q[n],1≤n≤N}就可以用时隙的坐标序列表示
f U , k [ n ] f_{U,k}[n] fU,k[n],表示无人机为设备 s k s_k sk在时间段n分配的CPU频率 -
卸载选择: x k [ n ] x_k[n] xk[n],为1则卸载到UAV,为0则本地处理
吞吐量
对
s
k
s_k
sk全部的比特数为:无人机边缘设备 + 地面设备 =
δ
t
∑
n
=
1
N
f
U
,
k
[
n
]
C
k
+
∑
n
=
1
N
δ
t
(
1
−
x
k
[
n
]
)
f
k
[
n
]
C
k
\delta_{t}\sum_{n=1}^{N}\frac{f_{U,k}[n]}{C_{k}}+{\sum}_{n=1}^{N}\frac{\delta_{t}(1-x_{k}[n])f_{k}[n]}{C_{k}}
δt∑n=1NCkfU,k[n]+∑n=1NCkδt(1−xk[n])fk[n]
第一项为什么不用乘卸载选择 x k [ n ] x_k[n] xk[n]?
在第一项中,fU,k[n] 表示无人机为设备sk在时间段n分配的CPU频率。如果设备sk在时间段n将其任务卸载到无人机,则fU,k[n]将大于零,否则fU,k[n]将等于零。因此,fU,k[n]已经隐含了设备sk是否将其任务卸载到无人机的信息。
设备功耗
设备功耗 = 通信功耗 + 计算功耗 =
∑
n
=
1
N
x
k
[
n
]
δ
t
P
+
∑
n
=
1
N
δ
t
κ
k
f
k
3
[
n
]
\sum_{n=1}^N x_k[n]\delta_t P + \sum_{n=1}^N \delta_t \kappa_k f_k^3[n]
∑n=1Nxk[n]δtP+∑n=1Nδtκkfk3[n].
P
P
P是设备的传输功率,
κ
k
\kappa_k
κk有效电容系数
这里的 f 三次方是因为设备的能量消耗与其CPU频率的三次方成正比。这种关系源于CMOS技术,它是当今大多数计算设备中使用的一种技术。
2、问题表述
(P1):最大化所有设备的最小吞吐量
(1):每个设备的吞吐量都
≥
η
\geq \eta
≥η
(2):二元约束 1为卸载,0为本地处理
(3):每个时段只有一个设备可以卸载到UAV
(4):无人机接收的输入信息大于无人机以及处理的信息,即当无人机接收到信息后才能处理这个信息
(6):无人机为所有设别分配的CPU资源之和在自己拥有资源之内
(7):设备通信和处理任务的能耗在自己续航之内
(8):无人机飞行速度不超过自身最大速度
(9):无人机在完成其任务后必须返回到其初始位置
III、解决方案
变换(2)式
- 首先对限制条件(2)式进行了等价变换
0 ≤ x k [ n ] ≤ 1 , ∀ k , n ( 10 ) ∑ k = 1 K ∑ n = 1 N ( x k [ n ] − x k 2 [ n ] ) ≤ 0 ( 11 ) \begin{aligned} 0\leq x_k[n]\leq1,\forall k,n (10) \\ \sum_{k=1}^{K}\sum_{n=1}^{N}(x_{k}[n]-x_{k}^{2}[n])\leq0& (11) \end{aligned} 0≤xk[n]≤1,∀k,n(10)k=1∑Kn=1∑N(xk[n]−xk2[n])≤0(11)
- (10)式可以推出 0 ≤ x k [ n ] ( 1 − x k [ n ] ) ≤ 1 \begin{aligned}0 \leq x_k[n](1 -x_k[n])\le 1 \end{aligned} 0≤xk[n](1−xk[n])≤1 ,进而推出 ∑ k = 1 K ∑ n = 1 N ( x k [ n ] − x k 2 [ n ] ) ≥ 0. \sum_{k=1}^{K}\sum_{n=1}^{N}\left(x_{k}[n]-x_{k}^{2}[n]\right)\geq0. k=1∑Kn=1∑N(xk[n]−xk2[n])≥0.
- 结合(11)得到 ∑ k = 1 K ∑ n = 1 N ( x k [ n ] − x k 2 [ n ] ) = 0 \sum_{k=1}^{K}\sum_{n=1}^{N}\left(x_{k}[n]-x_{k}^{2}[n]\right)=0 ∑k=1K∑n=1N(xk[n]−xk2[n])=0
问题的新表述
另增加了该式: R k [ m ] ≥ y k [ m ] , ∀ k , m , R_{k}[m]\geq y_{k}[m],\forall k,m, Rk[m]≥yk[m],∀k,m,
yk[m]是一个松弛变量。这个方程表明,在每个时间段m,设备sk与无人机之间的可达速率Rk[m]应大于等于松弛变量yk[m]。这个约束条件用于确保在无人机上进行计算之前,设备sk的任务输入数据已经被卸载到无人机。
D.C.
通过对凸项 ( x k [ m ] + y k [ m ] ) 2 (x_k[m]+y_k[m])^2 (xk[m]+yk[m])2和 ( x k 2 [ m ] + f k 2 [ m ] ) (x_k^2[m]+f_k^2[m]) (xk2[m]+fk2[m])分别应用一阶泰勒近似,来获得非凸项 x k [ m ] y k [ m ] x_k[m]y_k[m] xk[m]yk[m]和 − x k [ n ] f k [ n ] -x_k[n]f_k[n] −xk[n]fk[n]的下界。为什么两式子展开项不一样?
应该是为了得到原式子的下界,为凸函数,一阶展开式都是会比原式要小,如果是对负项展开不好得到下界,所以这里都是对正向进行展开。这里不是很确定
- 对(13)首先 x k [ m ] y k [ m ] = 1 2 ( x k [ m ] + y k [ m ] ) 2 − 1 2 ( x k 2 [ m ] + y k 2 [ m ] ) x_k[m]y_k[m] = \frac{1}{2}(x_k[m]+y_k[m])^2-\frac{1}{2}(x_k^2[m]+y_k^2[m]) xk[m]yk[m]=21(xk[m]+yk[m])2−21(xk2[m]+yk2[m])
- 然后对完全平方项应用一阶泰勒近似: x k [ m ] y k [ m ] ≥ ( x k r [ m ] + y k r [ m ] ) ( x k [ m ] + y k [ m ] ) − 1 2 ( x k r [ m ] + y k r [ m ] ) 2 − 1 2 ( x k 2 [ m ] + y k 2 [ m ] ) x_k[m]y_k[m]\geq(x_k^r[m]+y_k^r[m])(x_k[m]+y_k[m])-\frac{1}{2}(x_k^{r}[m]+y_k^{r}[m])^2-\frac{1}{2}(x_k^{2}[m]+y_k^{2}[m]) xk[m]yk[m]≥(xkr[m]+ykr[m])(xk[m]+yk[m])−21(xkr[m]+ykr[m])2−21(xk2[m]+yk2[m])
- 对(12):同理得到
−
x
k
[
n
]
f
k
[
n
]
-x_k[n]f_k[n]
−xk[n]fk[n]下界
− x k [ n ] f k [ n ] ≥ − 1 2 ( x k [ n ] + f k [ n ] ) 2 + 1 2 ( x k r [ n ] 2 + f k r [ n ] 2 ) + x k r [ n ] ( x k [ n ] − x k r [ n ] ) + f k r [ n ] ( f k [ n ] − f k r [ n ] ) -x_{k}[n]f_{k}[n]\geq-\frac{1}{2}(x_{k}[n]+f_{k}[n])^{2}+\frac{1}{2}(x_{k}^{r}[n]^{2}+f_{k}^{r}[n]^{2})+x_k^r[n](x_k[n]-x_k^r[n])+f_k^r[n](f_k[n]-f_k^r[n]) −xk[n]fk[n]≥−21(xk[n]+fk[n])2+21(xkr[n]2+fkr[n]2)+xkr[n](xk[n]−xkr[n])+fkr[n](fk[n]−fkr[n])
对(13)不等式详细证明过程:
对(12)证明
即证不等式.
KKT条件:https://zhuanlan.zhihu.com/p/556931657
凸优化问题
至此,可以将之前的约束和目标函数重新表述为标准的凸优化问题: