[論文レビュー] UAVs as a Service: Boosting Edge Intelligence for Air-Ground Integrated Networks

Chao Dong, Yun Shen+4 more|arXiv (Cornell University)|Mar 24, 2020

UAV Applications and Optimization参考文献 13被引用数 6

ひとこと要約

本稿では、UAVs as a Service (UaaS) を提案する。これは、機械学習（ML）を活用して、UAVを用いて動的に無線通信、エッジコンピューティング、エッジキャッシュサービスを提供する、知能的な空中・地上統合ネットワークアーキテクチャである。事例研究では、UAVが500 J未満のエネルギー消費でフェデレーテッドラーニングを効率的にサポートでき、通信オーバーヘッドは無視できるほど小さいことが示され、6Gネットワークにおけるエッジインテリジェンスの強化におけるUAVの役割が裏付けられた。

ABSTRACT

The air-ground integrated network is a key component of future sixth generation (6G) networks to support seamless and near-instant super-connectivity. There is a pressing need to intelligently provision various services in 6G networks, which however is challenging. To meet this need, in this article, we propose a novel architecture called UaaS (UAVs as a Service) for the air-ground integrated network, featuring UAV as a key enabler to boost edge intelligence with the help of machine learning (ML) techniques. We envision that the proposed UaaS architecture could intelligently provision wireless communication service, edge computing service, and edge caching service by a network of UAVs, making full use of UAVs' flexible deployment and diverse ML techniques. We also conduct a case study where UAVs participate in the model training of distributed ML among multiple terrestrial users, whose result shows that the model training is efficient with a negligible energy consumption of UAVs, compared to the flight energy consumption. Finally, we discuss the challenges and open research issues in the UaaS.

研究の動機と目的

• 6G空中・地上統合ネットワークにおける、通信、コンピューティング、キャッシュサービスの知的でオンデマンドの提供という課題に対処すること。
• 機械学習技術を用いて、UAVが動的かつ知的にサービスプロバイダーとして機能できることを可能にすること。
• 柔軟なサービススイッチングとリソース管理を支援するスケーラブルで協調的なUAVネットワークアーキテクチャの設計。
• UAV支援フェデレーテッドラーニングのエネルギー効率性とパフォーマンスの検証。
• 将来の6GネットワークにおけるUaaS実現に向けた主な課題と未解決の研究課題の特定。

提案手法

• UAVが通信、コンピューティング、キャッシュサービスの知的エッジプラットフォームとして機能するUaaSアーキテクチャを提案する。
• サービス需要の予測と動的リソース管理に、機械学習（ML）およびディープ強化学習（DRL）を活用する。
• UAVと地上ユーザー間の上行リンクおよび下行リンク通信に、等スペクトル共有を用いたOFDMAアクセスを採用する。
• フェデレーテッドラーニング（FL）を適用し、UAVがグローバルモデルの集約者として機能することで、データ送信を最小限に抑える。
• UAVのエネルギー消費を、訓練期間中の推進力と送信力の合計としてモデル化する。
• 距離、高さ、信号対雑音比に基づいて上行リンクレートを計算する、現実的な電波伝搬モデル（経路損失を含む）を用いる。

実験結果

リサーチクエスチョン

• RQ1 空中・地上統合ネットワークにおいて、UAVがどのように知的にオーケストレーションされ、オンデマンドの通信、コンピューティング、キャッシュサービスを提供できるか？
• RQ2 UAVが分散型機械学習モデル学習に参加する際のエネルギー効率はどの程度か？
• RQ3 動的環境において、UAVが複雑で大規模な接続およびリソース割り当て意思決定を協調的に管理する方法は何か？
• RQ4 1台のUAVが通信、コンピューティング、キャッシュの役割を柔軟に切り替えるために直面する主な課題は何か？
• RQ5 複数のUAVを、マルチエージェント強化学習を用いて知的に制御することで、統合されたサービス提供を実現する方法は何か？

主な発見

• 提案されたUaaSアーキテクチャにより、機械学習技術を活用したUAVによる通信、コンピューティング、キャッシュサービスの知的プロビジョニングが可能になった。
• UAVを用いたフェデレーテッドラーニング訓練では、合計エネルギー消費がわずか500 Jで、テスト精度が約97%に達した。
• グローバルモデル更新の配布にかかるエネルギーコストは、約0.0013112 Jと無視できるほど低く、飛行に要するエネルギー消費に比べて著しく小さい。
• UAVの推進力（100 W）が総エネルギー消費の大部分を占め、送信力（10 mW）は全体のエネルギーコストにほとんど寄与していない。
• システムは、UAVが自らのエネルギー予算にほとんど影響を与えることなく、エッジインテリジェンスタスクを効率的にサポートできることを示した。
• 結果は、6GネットワークにおけるエッジインテリジェンストレーナーとしてUAVを用いることの実現可能性とエネルギー効率性を裏付けた。