[论文解读] Air-Ground Collaborative Mobile Edge Computing: Architecture, Challenges, and Opportunities

Zhen Qin, Wang Hai+3 more|arXiv (Cornell University)|Jan 20, 2021

IoT and Edge/Fog Computing参考文献 11被引用 8

一句话总结

本文提出了一种空中-地面协同移动边缘计算（AGC-MEC）架构，将空中（无人机、飞艇、高空气球）与地面（基站、路侧单元、车辆、高性能用户）的MEC服务器集成，以提升6G网络中的计算效率和服务质量。通过联合优化服务部署与无人机轨迹，所提方法相比本地执行将用户设备（UE）能耗降低高达87.89%，展示了跨层协作在时延和能效方面的显著优势。

ABSTRACT

By pushing computation, cache, and network control to the edge, mobile edge computing (MEC) is expected to play a leading role in fifth generation (5G) and future sixth generation (6G). Nevertheless, facing ubiquitous fast-growing computational demands, it is impossible for a single MEC paradigm to effectively support high-quality intelligent services at end user equipments (UEs). To address this issue, we propose an air-ground collaborative MEC (AGC-MEC) architecture in this article. The proposed AGC-MEC integrates all potentially available MEC servers within air and ground in the envisioned 6G, by a variety of collaborative ways to provide computation services at their best for UEs. Firstly, we introduce the AGC-MEC architecture and elaborate three typical use cases. Then, we discuss four main challenges in the AGC-MEC as well as their potential solutions. Next, we conduct a case study of collaborative service placement for AGC-MEC to validate the effectiveness of the proposed collaborative service placement strategy. Finally, we highlight several potential research directions of the AGC-MEC.

研究动机与目标

• 解决独立的地面或空中MEC系统在应对未来6G网络中动态、高计算需求时的局限性。
• 通过空中-地面协同，克服固定地面MEC（缺乏移动性）与空中MEC（电池容量有限、可靠性低）的制约。
• 构建统一框架，实现异构MEC范式（无人机、飞艇、基站、车辆、移动用户）之间的协同服务部署与资源管理。
• 提升6G环境中对时延敏感、计算密集型应用的能效并降低时延。
• 识别并解决AGC-MEC系统中的关键挑战，如网络控制、安全性和智能协同。

提出的方法

• 提出两级AGC-MEC架构：空中MEC（无人机、飞艇/高空气球）与地面MEC（基站、接入点、路侧单元、车辆、高性能移动用户）。
• 引入一种协同服务部署算法，联合优化无人机轨迹与在无人机与基站之间的服务部署，以最小化UE能耗。
• 采用混合整数非线性规划（MINLP）建模联合优化问题，包含计算、存储与通信资源的约束。
• 采用基于交替优化与连续凸逼近的启发式算法，高效求解非凸MINLP问题。
• 引入一种动态服务部署策略，可适应用户设备工作负载与网络条件的变化。
• 通过真实参数的仿真验证方法，与基线策略（随机、贪心、本地执行）进行性能对比。

(a) Collaborations between air and ground

实验结果

研究问题

• RQ1 如何有效集成空中与地面MEC服务器，以在6G网络中提供可扩展、低时延且高能效的计算服务？
• RQ2 在动态、异构网络中，如何实现MEC服务与无人机轨迹的最优联合部署，以最小化终端用户能耗？
• RQ3 不同的存储容量与工作负载如何影响协同MEC服务部署策略的性能？
• RQ4 在异构、大规模AGC-MEC网络中，管理面临的关键挑战是什么？哪些架构解决方案可有效应对？
• RQ5 哪些新兴技术（如SDN、区块链、人工智能）可实现AGC-MEC系统中安全、智能且可扩展的控制？

主要发现

• 所提协同服务部署算法收敛迅速，仅用三轮迭代便将总UE能耗从150.5956 J降低至31.8719 J。
• 无人机轨迹优化使无人机能够飞近用户设备，提升通信质量并降低卸载时延。
• 随着存储容量增加，所有算法的UE能耗均下降；与随机策略相比，所提方法能耗降低65.96%；与贪心策略相比降低49.35%；与本地执行相比降低87.89%。
• 在用户设备工作负载增加（以CPU周期衡量）时，所提算法相比随机策略能耗降低46.62%，相比贪心策略降低48.42%，相比本地执行降低75.53%。
• AGC-MEC架构通过结合无人机的移动性与地面MEC服务器的可靠性与容量，优于单一范式的MEC系统。
• 仿真结果证实，空中与地面MEC节点之间的协同资源管理显著提升了系统性能，体现在能效提升与时延降低方面。

(b) Typical use cases