[论文解读] Latency Aware Drone Base Station Placement in Heterogeneous Networks

Xiang Sun, Nirwan Ansari|arXiv (Cornell University)|Sep 22, 2017

UAV Applications and Optimization参考文献 1被引用 8

一句话总结

本文提出了一种延迟感知的无人机基站部署算法（LEAP），用于在异构网络中联合优化无人机基站（DBS）位置与用户关联覆盖，以在能量约束下最小化总平均延迟比。LEAP通过动态重定位DBS来追踪流量热点，在时变用户需求下，其延迟降低效果优于静态部署。

ABSTRACT

Different from traditional static small cells, Drone Base Stations (DBSs) exhibit their own advantages, i.e., faster and cheaper to deploy, more flexibly reconfigured, and likely to have better communications channels owing to the presence of short-range line-of-sight links. Thus, applying DBSs into the cellular network has great potential to increase the throughput of the network and improve Quality of Service (QoS) of Mobile Users (MUs). In this paper, we focus on how to place the DBS (i.e., jointly determining the location and the association coverage of a DBS) in order to improve the QoS in terms of minimizing the total average latency ratio of MUs by considering the energy capacity limitation of the DBS. We formulate the DBS placement problem as an optimization problem and design a Latency aware dronE bAse station Placement (LEAP) algorithm to solve it efficiently. The performance of LEAP is demonstrated via simulations as compared to other two baseline methods.

研究动机与目标

• 解决异构网络中动态、能量受限的无人机基站（DBS）部署挑战，以提升服务质量（QoS）。
• 通过联合优化DBS位置与用户关联覆盖，最小化移动用户（MUs）的总平均延迟比。
• 考虑DBS的能量容量限制，确保在不耗尽电池的情况下可持续运行。
• 设计一种动态部署策略，以适应用户流量和信道条件的时空变化。
• 在真实世界交通场景中，证明自适应DBS部署相较于静态或单MBS部署的优越性。

提出的方法

• 将DBS部署问题建模为约束优化问题，以最小化MUs的总平均延迟比。
• 使用路径损耗模型对MBS和DBS的路径损耗进行建模：$PL_{MBS} = 103.4 + 2.42\log_{10}d$ 和 $PL_{DBS} = 103.8 + 2.09\log_{10}d$。
• 通过能量阈值 $\epsilon = 0.2$ kWh 和功率消耗模型（其中 $\beta = 500$）纳入能量约束，以反映负载相关的能耗。
• 设计LEAP算法，基于流量密度和信道质量，迭代确定最优DBS位置及其关联的MU集合。
• 采用时间槽模型，时间间隔 $\Delta T = 10$ 分钟，以模拟用户移动和流量需求的动态变化。
• 使用米兰道路网络的真实移动轨迹数据进行评估，包含100,000个MUs和泊松分布的流量到达。

实验结果

研究问题

• RQ1 如何优化无人机基站的部署，以最小化时变网络中移动用户的平均延迟比？
• RQ2 联合优化DBS位置与用户关联覆盖对延迟和能量效率有何影响？
• RQ3 动态DBS重定位与静态小细胞部署相比，在应对时空流量变化方面表现如何？
• RQ4 能量容量约束在多大程度上影响最优DBS部署策略？
• RQ5 所提出的LEAP算法能否适应新兴热点，并在不同时间槽中保持低延迟？

主要发现

• 与单MBS（S-MBS）部署相比，LEAP显著降低了平均延迟比，尤其在高峰时段表现更优。
• 在 $t=1$（19:00）时，LEAP与静态小细胞（SSC）的平均延迟比相近，两者均远低于S-MBS，原因在于流量卸载。
• 在 $t=36$（凌晨1点）时，LEAP的平均延迟比低于SSC，因为其将DBS重新定位至新热点，而SSC保持固定位置。
• DBS位置从初始位置移动至 $t=36$ 时的东北方向，表明其对流量模式变化具有动态适应能力。
• 仿真结果证实，LEAP能有效追踪不断演变的热点，并在能量约束下通过优化位置与覆盖来最小化延迟。
• LEAP通过平衡流量负载与能耗，在各时间槽中保持低延迟，优于静态部署策略，在动态环境中表现更优。