[논문 리뷰] UAVs as a Service: Boosting Edge Intelligence for Air-Ground Integrated Networks

Chao Dong, Yun Shen외 4명|arXiv (Cornell University)|2020. 03. 24.

UAV Applications and Optimization참고 문헌 13인용 수 6

한 줄 요약

이 논문은 기계학습(ML)을 활용하여 UAV를 동적으로 무선 통신, 엣지 컴퓨팅 및 엣지 캐싱 서비스를 제공하는 데 이용하는 지능형 공중-지면 통합 네트워크 아키텍처인 UaaS(UAVs as a Service)를 제안한다. 사례 연구에서는 UAV가 500J 이내의 에너지 소비와 거의 없는 통신 오버헤드로 피어드 학습을 효율적으로 지원할 수 있음을 입증하여, 6G 네트워크에서 엣지 지능을 강화하는 데서 UAV의 역할을 확인한다.

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.

연구 동기 및 목표

• 6G 공중-지면 통합 네트워크에서 통신, 계산 및 캐싱 서비스의 지능적이고 수요 기반의 제공에 도전하는 문제를 해결하기 위해.
• 기계학습 기법을 활용하여 UAV가 동적으로 지능적인 서비스 제공자로 기능할 수 있도록 하기 위해.
• 유연한 서비스 전환과 자원 관리를 지원하는 확장 가능하고 협업 기반의 UAV 네트워크 아키텍처를 설계하기 위해.
• UAV가 지원하는 피어드 학습의 에너지 효율성과 성능을 검증하기 위해.
• 미래의 6G 네트워크에서 UaaS를 실현하기 위한 주요 과제와 열린 연구 문제를 규명하기 위해.

제안 방법

• UAV가 통신, 계산 및 캐싱 서비스의 지능적 엣지 플랫폼으로 기능하는 UaaS 아키텍처를 제안한다.
• 서비스 수요 예측 및 자원 동적 관리를 위해 기계학습(ML)과 딥 강화학습(DRL)을 활용한다.
• UAV와 지상 사용자 간의 업링크 및 다운링크 통신을 위해 등가 스펙트럼 공유를 적용한 OFDMA 접근 방식을 사용한다.
• UAV가 글로벌 모델 집계기로 기능하는 피어드 학습(FL)을 적용하여 데이터 전송을 최소화한다.
• 훈련 기간 동안 추진력 소비와 전송 소비의 합으로 UAV 에너지 소비를 모델링한다.
• 거리, 고도 및 신호 대 잡음비를 기반으로 상승률을 계산하는 경로 손실을 포함한 현실적인 전파 모델을 활용한다.

실험 결과

연구 질문

• RQ1 어떻게 UAV를 지능적으로 조율하여 공중-지면 통합 네트워크에서 수요 기반의 통신, 계산 및 캐싱 서비스를 제공할 수 있는가?
• RQ2 분산 기계학습 모델 훈련에 참여할 때 UAV의 에너지 효율성은 어떠한가?
• RQ3 동적인 환경에서 복잡하고 대규모의 연결 및 자원 할당 결정을 UAV가 협업적으로 어떻게 관리할 수 있는가?
• RQ4 동일한 UAV에서 통신, 계산 및 캐싱 역할 간의 민첩한 전환을 구현하는 데 있어 주요 과제는 무엇인가?
• RQ5 다중 에이전트 강화학습을 사용하여 다수의 UAV를 지능적으로 제어하여 통합 서비스 제공을 어떻게 달성할 수 있는가?

주요 결과

• 제안된 UaaS 아키텍처는 기계학습 기법을 활용하여 UAV가 지능적으로 통신, 계산 및 캐싱 서비스를 제공할 수 있음을 입증한다.
• UAV를 활용한 피어드 학습 훈련은 총 에너지 소비가 약 500J일 때 약 97%의 테스트 정확도를 달성한다.
• 글로벌 모델 업데이트를 배포하는 데 드는 에너지 비용은 약 0.0013112J로 극히 미미하여 비행 에너지 소비에 비해 무시할 만하다.
• UAV의 추진력 소비(100 W)가 총 에너지 사용의 주요 기여 요소이며, 전송 소비(10 mW)는 전체 에너지 비용에 거의 기여하지 않는다.
• 시스템은 UAV가 자신의 에너지 예산에 거의 영향을 주지 않으면서도 엣지 지능 작업을 효율적으로 지원할 수 있음을 입증한다.
• 결과는 UAV를 6G 네트워크에서 엣지 지능 훈련기로 사용하는 것이 실현 가능하고 에너지 효율적이라는 것을 검증한다.