[논문 리뷰] Energy-Constrained Computation Offloading in Space-Air-Ground Integrated Networks using Distributionally Robust Optimization

Yali Chen, Bo Ai외 3명|arXiv (Cornell University)|2022. 06. 06.

UAV Applications and Optimization인용 수 6

한 줄 요약

이 논문은 우주-공중-지면 통합망(SAGINs)에서 에너지 제약 조건이 있는 계산 오픈로딩을 위한 분포로 불확실성에 강건한 최적화 프레임워크를 제안한다. 여기서 무인항공기(UAV)는 IoT 기기들로부터 작업을 수확하고 이를 지상 기지국(BS) 또는 저궤도 위성(LEO 위성)으로 오픈로딩한다. 데이터 기반의 모호성 집합을 통해 불확실한 작업 도착을 모델링하고 최악의 상황에서의 시스템 지연 시간을 최소화함으로써, 이 알고리즘은 역사적 데이터가 제한된 상황에서도 특히 뛰어난 강건성과 성능을 달성하며, 결정론적 및 탐욕적 접근 방식을 능가한다.

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.

연구 동기 및 목표

• 셀룰러 인프라가 없는 원격 지역에서 SAGINs를 활용한 계산 오픈로딩의 과제를 해결하기 위해.
• 동적이고 예측 불가능한 IoT 워크로드로 인한 작업 도착량의 불확실성을 다루기 위해.
• 에너지 제약 조건 하에서 분포 불확실성에 대해 강건성을 확보하면서 시스템 지연 시간을 최소화하기 위해.
• 최악의 확률 분포 상황에서도 잘 작동하는 부분 최적의 오픈로딩 전략을 개발하기 위해.

제안 방법

• 불확실한 작업 도착의 최악의 분포 하에서 기대 시스템 지연 시간을 최소화하는 분포로 불확실성에 강건한 최적화 문제를 수립한다.
• 통계적 지표(L1, L∞, 캄토로비치)를 활용해 데이터 기반의 모호성 집합을 구성하여 분포 불확실성을 모델링한다.
• 분포로 불확실성에 강건한 지연 시간 최적화 알고리즘을 적용하여 UAV의 작업 전달을 위한 부분 최적의 오픈로딩 결정을 계산한다.
• 고정된 궤도를 따라 움직이는 UAV가 작업을 수확하고 지상 기지국(BS) 또는 LEO 위성으로 오픈로딩하는 시스템을 모델링한다.
• 실현 가능한 효율적인 계산 오픈로딩을 보장하기 위해 최적화 과정에 에너지 제약 조건을 통합한다.
• 실세계 IoT 작업 데이터를 활용하여 기준 분포를 구성하고 다양한 데이터 크기와 신뢰 수준에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 작업 도착량이 불확실하고 분포가 알려져 있지 않은 상황에서 SAGINs에서 계산 오픈로딩을 어떻게 최적화할 수 있는가?
• RQ2 L1, L∞, 캄토로비치와 같은 다양한 통계 지표가 오픈로딩 전략의 강건성과 성능에 어떤 영향을 미치는가?
• RQ3 역사적 데이터 크기가 분포로 불확실성에 강건한 최적화 프레임워크의 보수성과 효과성에 어떤 영향을 미치는가?
• RQ4 불확실한 환경에서 시스템 신뢰도(신뢰 수준 β)와 지연 시간 성능 사이의 상충 관계는 어떻게 되는가?
• RQ5 기지국(BS)의 용량과 작업 부하가 UAV의 오픈로딩 결정 및 전체 시스템 지연 시간에 어떤 영향을 미치는가?

주요 결과

• 제안된 분포로 불확실성에 강건한 알고리즘은 시스템 지연 시간과 강건성 측면에서 탐욕적 및 결정론적 최적화 방법을 크게 능가한다.
• 역사적 데이터가 적을 경우 캄토로비치 지표가 가장 보수적이고 신뢰할 수 있는 성능을 보이며, 더 나은 시스템 안정성을 확보한다.
• 데이터 크기가 증가함에 따라 L∞ 노름 지표가 가장 효과적으로 작용하여 가장 낮은 보수성과 최고의 성능을 제공한다.
• 기지국 용량이 임계 임계값에 도달할 때 시스템 지연 시간이 급격히 감소함을 확인하여, LEO 위성에서 지상 기지국으로의 오픈로딩 전환 지점이 명확히 드러난다.
• 대규모 데이터 크기에서 추정된 모호한 분포가 진정된 분포를 잘 근사하며, 특히 L1 및 L∞ 노름에서 그러한 경향이 두드러진다.
• 높은 신뢰 수준(β)은 더 큰 모호성 집합으로 이어져 시스템의 보수성과 지연 시간을 증가시키며, 이는 신뢰도와 효율성 사이의 상충 관계를 확인한다.