[论文解读] Distributed Scheduling Algorithms for Optimizing Information Freshness in Wireless Networks

Rajat Talak, Sertaç Karaman+1 more|arXiv (Cornell University)|Mar 17, 2018

Age of Information Optimization参考文献 16被引用 11

一句话总结

该论文提出了一种分布式调度算法，用于在具有时变信道和成对干扰的无线网络中最小化信息年龄（Age of Information, AoI）。它将最优尝试概率建模为一个可通过分布式投影梯度上升求解的凸优化问题，使得每个链路仅利用本地信息和邻居间交换的信息即可计算其传输概率，从而实现全局最优的AoI性能。

ABSTRACT

Age of Information (AoI), measures the time elapsed since the last received information packet was generated at the source. We consider the problem of AoI minimization for single-hop flows in a wireless network, under pairwise interference constraints and time varying channel. We consider simple, yet broad, class of distributed scheduling policies, in which a transmission is attempted over each link with a certain attempt probability. We obtain an interesting relation between the optimal attempt probability and the optimal AoI of the link, and its neighboring links. We then show that the optimal attempt probabilities can be computed by solving a convex optimization problem, which can be done distributively.

研究动机与目标

• 在具有时变信道和成对干扰约束的单跳无线网络中最小化信息年龄（AoI）。
• 设计一种分布式调度策略，使每个链路能够基于本地和相邻链路信息独立选择其传输尝试概率。
• 证明最优尝试概率可通过一个允许分布式求解的凸优化问题计算得出。
• 建立一个可证明收敛的分布式算法，基于对偶变量的投影梯度上升。

提出的方法

• 将网络建模为有向图，其中链路受成对干扰约束，且具有独立同分布的时变信道状态。
• 将信息年龄（AoI）定义为自上次成功更新以来的时间，呈线性增长，并在接收时重置。
• 提出一种分布式策略，其中每个链路以固定的尝试概率进行传输，且不依赖全局协调。
• 推导出对偶问题，其中对偶变量 λₑ 作为加权年龄 wₑAₑ 的代理，最优尝试概率为 pₑ* = λₑ* / (λₑ* + ∑_{e′:e∈Nₑ′} λₑ′*)。
• 对对偶变量 λₑ 使用投影梯度上升迭代更新尝试概率，更新仅依赖于本地和相邻链路信息。
• 实现一种基于时隙的分布式算法，链路交换 θₑ（干扰链路的 λ 值之和），并使用本地梯度更新 λₑ 和 pₑ。

实验结果

研究问题

• RQ1 在具有干扰和信道变化的无线网络中，一个链路的最优尝试概率是什么，以最小化其信息年龄？
• RQ2 一个链路的最优尝试概率如何依赖于其相邻链路的年龄和干扰关系？
• RQ3 最优分布式调度策略是否可通过一个凸优化问题计算得出，从而支持本地、去中心化的实现？
• RQ4 何种分布式算法可仅使用本地信息和邻居间交换实现最优尝试概率的收敛？

主要发现

• 一个链路的最优尝试概率由其自身对偶变量 λₑ 与所有干扰链路的 λ 值之和的比值决定。
• 最优策略被证明是凸优化问题的解，保证全局收敛至最优 AoI。
• 投影梯度上升算法收敛至最优对偶变量 λₑ*，梯度更新仅依赖于本地和邻居变量，支持分布式实现。
• 该算法仅需在相邻链路之间周期性交换 θₑ 和 λₑ 值，显著降低信令开销。
• 该方法通过在全网平衡新鲜度与干扰，实现了最优加权平均 AoI。
• 该方法对信道不确定性具有鲁棒性，且无需实时信道状态反馈。