Access Delay Minimization for Scalable Videos in Cache-Enabled Multi-UAV Networks

Access Delay Minimization for Scalable Videos in Cache-Enabled Multi-UAV Networks
支持缓存的多无人机网络中最小化可伸缩视频的访问延迟

• 背景：利用无人机作为边缘缓存设备，为地面用户提供可扩展的视频服务是一项不错的尝试。
• 问题：挑战在于通过缓存放置来平衡视频质量和视频多样性之间的权衡。
• 方法：基于可扩展视频编码（SVC）的分层缓存方案在多无人机网络中的应用。提出了一种迭代算法，联合优化用户关联、无人机部署和缓存放置策略。
• 贡献：在视频访问延迟方面取得了显著的收益。

介绍

背景

随着5G的发展，数据流量指数级增长，视频服务占据了流量的主导地位。对于大量的视频流，难以通过远程云服务来满足服务质量的需求。边缘存储广泛被采用，通过将视频内容存储在边缘结点来减少延迟和回程链路的冗余流量。

无人机可以利用自身的高机动性、低成本来和部署简单来应对一些临时的的需求。

然后介绍了一些现有的研究，但是这些研究关注的大都是传统的文件存储，这不能应用到一些实际的带着不同质量需求的场景中。

基于不同用户对于相同的视频有着不同的视频质量要求，本文关注提供一种可伸缩的视频服务（scalable video service）。

对于这个需求问题，有人提出可伸缩视频编码的（SVC）方法

每个视频被编码成一个基础层和多个可以逐步提高视频质量的依赖增强层，使用SVC，无人机缓存策略的种类显着增加，因为缓存策略考虑更细粒度的方式。

一般来看，对于一个相同的视频，如果存储他的多个增强层，那么他的视频质量将会提高；但存储多个视频的基础层，将可以提高给视频服务给更多的用户。

由于存储的容量是有限的，就需要在视频质量和视频多样性之间做一个权衡。另外，缓存放置的性能也会随着无人机的部署、用户关联的变化而变化。

此前的一些研究中，没有涉及到这种对缓存放置、无人机部署和用户关联联合优化设计的可伸缩视频服务。这也是本文要研究的事情。

文章贡献

• 提出一种叫基于SVC的缓存框架，用来支持可伸缩视频服务。并且同时考虑内容流行度和视频质量偏好。以视频延迟为优化目标，表述为一个联合优化问题。
• 求解问题。将提出的这个混合整形非凸的优化问题分成两个子问题。分别采用P-SCA和P-DC来求解。
• 评估提出方法的表现。

系统模型与问题表述

A.无人机存储模型

无人机：
用M表示， M = { u 1 , … , u M } \mathcal{M}=\{u_{1},\ldots,u_{M}\} M={u1​,…,uM​};
存储容量， $C_m$ ;
坐标，${\mathbf{q}}_m={\left[x_m,y_m\right]}^{\mathrm{T}}\in {\mathbb{R}}^{2\times 1}$.

BS基站：
坐标， ${\mathbf{L}}_b=[x_b,y_b{]}^{\mathrm{T}}\in {\mathbb{R}}^{2\times 1}$
高度固定：$H_b$

GU地面用户：
用K表述， K = { s 1 , … , s K } \mathcal{K}=\{s_{1},\ldots,s_{K}\} K={s1​,…,sK​};
坐标：${\mathbf{w}}_k={\left[x_k,y_k\right]}^{\mathrm{T}}\in {\mathbb{R}}^{2\times 1}$

关联变量：
a k m ∈ { 0 , 1 } a_{km}\in\{0,1\} akm​∈{0,1}，为1则表示k用户与m无人机有关联；
约束，一个地面用户只能关联一个无人机，一个无人机可以关联多个用户，${\sum }_{m=1}^M{a}_{km}=1,\forall k$

SVC编码视频： V = { v 1 , … , v N } \mathcal{V}=\{v_1,\ldots,v_N\} V={v1​,…,vN​}
每个$v_i$表示一个视频文件，被分为L层用来提高多种不同的视频质量；
视频大小，$o_{nl}$;
请求可能性：${\lambda }_{nl}\triangleq p_n{g}_{nl}$
约束，要解码第$l$层的视频，需要收到前面的每一层的数据；

缓存指标： x m n l ∈ { 0 , 1 } x_{mnl}\in\{0,1\} xmnl​∈{0,1}
为1 ，则表示视频$v_n$的第$l$层内容存储在了无人机

B.传输模型

1)空-地链路

传输速率：$$R_{km}=B{\log }_2(1+\frac{P_U{\beta }_{km}}{{\sigma }^2})$$$P_U$是无人机的传输功率，信道增益${\beta }_{km}={\beta }_0{d}_{km}^{-2}$；

传输 1bit的数据的时间或者叫用户下载1bit 数据的延迟就是：
$${\tau }_{km}^u=\frac{1}{R_{km}}=\frac{1}{B{\log }_2(1+\frac{{\gamma }_0}{H^2+\Vert {\mathbf{q}}_m-{\mathbf{w}}_k{\Vert }^2})}$$

2)地-地链路

同理用下载 1bit 的数据的延迟：$${\tau }_k^b=\frac{1}{R_{kb}}=\frac{1}{B{\log }_2(1+\frac{{\gamma }_b}{(H_b^2+\Vert {\mathbf{L}}_b-{\mathbf{w}}_k{\Vert }^2{)}^{\alpha /2}})}$$

那么地面用户想要收到所需质量的视频，延迟的时间就是下载完所需的$l$层数据所花费的时间

问题表述

问题？？？${\mathcal{T}}_{kmnl}$在论文中表示的是${\mathcal{T}}_{kmnl}=x_{mnl}{o}_{nl}{\tau }_{km}^u+(1-x_{mnl})o_{nl}{\tau }_k^b.$应该是视频n的第$l$层内容的时间，论文中把他叫为平均时间？

（3）容量约束，无人的最大存储内容不超过$C_m$
（4，5）二元约束，取值为1或为0
（6）每个地面用户只能与一个无人机相连
（7）无人机之间距离保持一个最小的安全距离，$i,j$表示不同无人机

问题（P1）中存在二元变量（4、5）、非凸约束（7）、相互耦合的变量$a_{km}、x_{mnl}$，所以（P1）是一个：混合整数非凸优化问题，难以直接求解

问题解决

将原始问题（P1）分解为两个子问题，即基于P-SCA的用户关联 { a k m } \{a_{km}\} {akm​}优化和基于P-DC的无人机部署 { q m } \{\mathbf{q}_m\} {qm​}和分层缓存放置 { x k m n l } \{x_{kmnl}\} {xkmnl​}。不断迭代算法，交替优化两个子问题，直到算法收敛。

A.无人机关联优化

即给定 { q m } \{\mathbf{q}_m\} {qm​}和 { x k m n l } \{x_{kmnl}\} {xkmnl​}，所以与这两个相关$\left({\sum }_{n=1}^N{\sum }_{l=1}^L{\lambda }_{nl}\left({\sum }_{i=1}^l{o}_{ni}{\mathcal{T}}_{kmnl}\right)\right)$就被确定了

对（5）式的约束进行等价变换

此时约束都是凸的，但是目标函数中的$-a_{km}^2$是非凸的，对他使用SCA，一阶泰勒展开得到$$\begin{array}{r}{a}_{km}^2\ge (a_{km}^r{)}^2+2a_{km}^r(a_{km}-a_{km}^r)\end{array}$$所以问题的上界得到，优化这个上界就是优化原问题

B.无人机部署及分层存储放置

此时是给定$a_{km}$，优化 { q m } \{\mathbf{q}_m\} {qm​}和 { x k m n l } \{x_{kmnl}\} {xkmnl​}

采用同样的方法，将二元变量（4）变成惩罚消去


在目标函数中存在非凸项，使用DC，如下：
$$x_{mnl}{\hat{\tau }}_{km}^u=\frac{1}{2}(x_{mnl}+{\hat{\tau }}_{km}^u{)}^2-\frac{1}{2}(x_{mnl}^2+({\hat{\tau }}_{km}^u{)}^2)$$$$\begin{array}{l}{x}_{mnl}^2\ge (x_{mnl}^r{)}^2+2x_{mnl}^r(x_{mnl}-x_{mnl}^r),\\ ({\hat{\tau }}_{km}^u{)}^2\ge ({\hat{\tau }}_{km}^{u,r}{)}^2+2{\hat{\tau }}_{km}^{u,r}({\hat{\tau }}_{km}^u-{\hat{\tau }}_{km}^{u,r}).\end{array}$$
代入之后乘式等于：

$$x_{mnl}{\hat{\tau }}_{km}^u\le \frac{1}{2}(x_{mnl}+{\hat{\tau }}_{km}^u{)}^2+\frac{1}{2}((x_{mnl}^r{)}^2+({\hat{\tau }}_{km}^{u,r}{)}^2)-x_{mnl}{x}_{mnl}^r-{\hat{\tau }}_{km}^u{\hat{\tau }}_{km}^{u,r}\triangleq {\mathcal{Z}}_{kmnl}.$$

然后对$R_{km}$求下界，得出$\mathcal{T}$的边界，即（22）式子。具体做法如下：
$$\begin{array}{rl}{R}_{km}& \ge -\mathcal{A}({\Vert {\mathbf{q}}_m-{\mathbf{w}}_k\Vert }^2-{\Vert {\mathbf{q}}_m^r-{\mathbf{w}}_k\Vert }^2)+\mathcal{B}\\ & \triangleq R_{km}^{lb},\end{array}$$同样对无人机距离公式进行了类似的操作**（涉及矩阵的求导还没明白）**

至此，问题被转化为凸优化问题：

求解

使用BCD，不断迭代问题1和问题2来解决（P1），求解最优的联系 { a k m } \{a_{km}\} {akm​}、部署 { q i } \{{\mathbf{q}_i}\} {qi​}、分层存储 { x m n l } \{x_{mnl}\} {xmnl​}，算法如下：

• 首先初始化部署、联系、存储；
• 固定部署和存储，根据问题描述（P4）优化联系；
• 固定联系，根据问题描述（P8）优化部署和存储；
• 不断地重复这样的两个子优化，直到达到精度；

这样讲联系与另外两个优化变量的是为了和他们解耦，从（P1）中知道这三个都是耦合的；

什么是耦合呢？一个式子里面要优化的变量都出现就叫耦合吗？

然后进入子问题1，子问题1中先处理二元变量、然后处理出现的惩罚中含有的非凸项（泰勒），就将问题1转化为了凸优化问题；

子问题2，虽然固定了联系的取值，但是部署和存储仍是耦合的。先是同样的方法处理二元变量，加入惩罚；之后对耦合的优化变量的其一（${\tau }_{km}^u$）引入松弛变量${\hat{\tau }}_{km}^u$，然后根据松弛的对象$R_{km}$求出他的边界，使用的方法也是一阶泰勒，但涉及矩阵的求导；最后问题就是凸的了。