[論文レビュー] Energy-Constrained Computation Offloading in Space-Air-Ground Integrated Networks using Distributionally Robust Optimization

Yali Chen, Bo Ai+3 more|arXiv (Cornell University)|Jun 6, 2022

UAV Applications and Optimization被引用数 6

ひとこと要約

本稿は、宇宙・空・地上統合ネットワーク（SAGIN）におけるエネルギー制約付き計算オフロードのための分布的ロバスト最適化フレームワークを提案する。無人航空機（UAV）がIoTデバイスからのタスクを収集し、地上の基地局（BS）または低軌道衛星（LEO衛星）にオフロードする。不確実なタスク到着をデータ駆動型のあいまいさ集合でモデル化し、最悪ケースのシステム遅延を最小化することで、特に歴史的データが限られる状況下でも優れたロバスト性と性能を達成し、決定論的およびグリーディな手法を上回る。

ABSTRACT

With the rapid development of connecting massive devices to the Internet, especially for remote areas without cellular network infrastructures, space-air-ground integrated networks (SAGINs) emerge and offload computation-intensive tasks. In this paper, we consider a SAGIN, where multiple low-earth-orbit (LEO) satellites providing connections to the cloud server, an unmanned aerial vehicle (UAV), and nearby base stations (BSs) providing edge computing services are included. The UAV flies along a fixed trajectory to collect tasks generated by Internet of Things (IoT) devices, and forwards these tasks to a BS or the cloud server for further processing. To facilitate efficient processing, the UAV needs to decide where to offload as well as the proportion of offloaded tasks. However, in practice, due to the variability of environment and actual demand, the amount of arrival tasks is uncertain. If the deterministic optimization is utilized to develop offloading strategy, unnecessary system overhead or higher task drop rate may occur, which severely damages the system robustness. To address this issue, we characterize the uncertainty with a data-driven approach, and formulate a distributionally robust optimization problem to minimize the expected energy-constrained system latency under the worst-case probability distribution. Furthermore, the distributionally robust latency optimization algorithm is proposed to reach the suboptimal solution. Finally, we perform simulations on the realworld data set, and compare with other benchmark schemes to verify the efficiency and robustness of our proposed algorithm.

研究の動機と目的

• SAGINを用いて、通信インfraが整備されていない地域における計算オフロードの課題を解決すること。
• 動的かつ予測不能なIoTワークロードに起因するタスク到着量の不確実性を扱うこと。
• エネルギー制約下でシステム遅延を最小化するとともに、分布の不確実性に対してロバストであることを保証すること。
• 最悪の確率分布に対して良好に機能する部分最適なオフロード戦略を開発すること。

提案手法

• 不確実なタスク到着の最悪の分布下での期待システム遅延を最小化する分布的ロバスト最適化問題を定式化する。
• 統計的指標（L1、L∞、Kantorovich）を用いて構築されたデータ駆動型あいまいさ集合を用い、分布の不確実性をモデル化する。
• 分布的ロバスト遅延最適化アルゴリズムを用いて、UAVによるタスク転送の部分最適なオフロード意思決定を計算する。
• UAVを固定軌道上に配置し、タスクを収集し、地上の基地局（BS）またはLEO衛星にオフロードするシステムをモデル化する。
• 実行可能で効率的な計算オフロードを保証するため、最適化にエネルギー制約を統合する。
• 実世界のIoTタスクデータを用いて基準分布を構築し、さまざまなデータサイズと信頼水準での性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 タスク到着量が不確実で分布が未知である状況下で、SAGINにおける計算オフロードをどのように最適化できるか？
• RQ2 異なる統計的指標（L1、L∞、Kantorovich）がオフロード戦略のロバスト性と性能に与える影響は何か？
• RQ3 歴史的データのサイズが、分布的ロバスト最適化フレームワークの保守性と有効性に与える影響は何か？
• RQ4 不確実な環境下で、システム信頼性（信頼水準β）と遅延性能のトレードオフは何か？
• RQ5 基地局の容量とタスク量が、UAVのオフロード意思決定と全体のシステム遅延に与える影響は何か？

主な発見

• 提案された分布的ロバストアルゴリズムは、システム遅延とロバスト性の両面で、グリーディ法および決定論的最適化手法を著しく上回る。
• 歴史的データが少ない場合、Kantorovich距離が最も保守的かつ信頼性が高く、システム安定性を向上させる。
• データサイズが増加するにつれて、L∞ノルム距離が最も効果的となり、保守性が最小で性能が最良となる。
• 基地局の容量が臨界閾値に達すると、システム遅延が急激に低下し、LEO衛星から地上BSへのオフロード切り替えポイントが明確に現れる。
• 大規模なデータサイズでは、推定されたあいまい分布が真の分布に近づき、特にL1およびL∞ノルム下で顕著である。
• 高い信頼水準（β）は、より大きなあいまいさ集合を生じさせ、保守性と遅延を増加させるため、信頼性と効率性のトレードオフが確認された。