[论文解读] 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 6

一句话总结

本文提出了一种用于空间-空中-地面一体化网络（SAGINs）中能量约束计算卸载的分布鲁棒优化框架，其中无人机（UAV）从物联网设备收集任务，并将其卸载至地面基站（BSs）或低地球轨道（LEO）卫星。通过使用数据驱动的模糊集对任务到达的不确定性进行建模，并最小化最坏情况下的系统时延，该算法在历史数据有限的情况下表现出优越的鲁棒性和性能，优于确定性和贪婪方法。

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.

研究动机与目标

• 解决在缺乏蜂窝网络基础设施的偏远地区利用SAGINs进行计算卸载的挑战。
• 应对由于动态且不可预测的物联网工作负载导致的任务到达量不确定性。
• 在能量约束下最小化系统时延，同时确保对分布不确定性具有鲁棒性。
• 开发一种次优卸载策略，在最坏情况概率分布下仍能表现良好。

提出的方法

• 构建一个分布鲁棒优化问题，以在不确定任务到达的最坏分布下最小化期望系统时延。
• 利用基于统计度量（L1、L∞、Kantorovich）构建的数据驱动模糊集来建模分布不确定性。
• 采用分布鲁棒时延优化算法，计算无人机任务转发的次优卸载决策。
• 将系统建模为一架沿固定轨迹飞行的无人机，负责收集任务并将其卸载至地面基站（BSs）或低地球轨道（LEO）卫星。
• 将能量约束整合到优化中，以确保计算卸载的可行性和高效性。
• 利用真实物联网任务数据构建参考分布，并在不同数据规模和置信水平下评估性能。

实验结果

研究问题

• RQ1 当任务到达量不确定且分布未知时，如何在SAGINs中优化计算卸载？
• RQ2 不同的统计度量（L1、L∞、Kantorovich）对卸载策略的鲁棒性和性能有何影响？
• RQ3 历史数据规模如何影响分布鲁棒优化框架的保守性和有效性？
• RQ4 在不确定环境中，系统可靠性（置信水平β）与时延性能之间的权衡是什么？
• RQ5 基站容量和任务量如何影响无人机的卸载决策及整体系统时延？

主要发现

• 所提出的分布鲁棒算法在系统时延和鲁棒性方面显著优于贪婪方法和确定性优化方法。
• 当历史数据较小时，Kantorovich度量产生的结果最为保守且可靠，确保了更好的系统稳定性。
• 随着数据规模增大，L∞范数度量最为有效，表现出最低的保守性与最佳性能。
• 当基站容量达到临界阈值时，系统时延急剧下降，表明存在从LEO卫星向地面基站切换的明确卸载临界点。
• 对于大规模数据，估计的模糊分布能较好地逼近真实分布，尤其在L1和L∞范数下表现更优。
• 更高的置信水平（β）会因模糊集扩大而增加系统的保守性和时延，证实了可靠性与效率之间的权衡。