[论文解读] Deep Learning for Hybrid 5G Services in Mobile Edge Computing Systems: Learn from a Digital Twin

Rui Dong, Changyang She+3 more|arXiv (Cornell University)|Jun 30, 2019

IoT and Edge/Fog Computing参考文献 28被引用 6

一句话总结

该论文提出了一种深度学习框架，利用数字孪生技术优化支持超可靠低延迟通信（URLLC）和延迟容忍服务的混合5G移动边缘计算（MEC）系统的能效。通过在模拟实时网络动态的数字孪生上离线训练深度神经网络（DNN），该系统实现了近似最优的能效，同时相比传统方法显著降低了计算复杂度，支持实时用户关联与资源分配。

ABSTRACT

In this work, we consider a mobile edge computing system with both ultra-reliable and low-latency communications services and delay tolerant services. We aim to minimize the normalized energy consumption, defined as the energy consumption per bit, by optimizing user association, resource allocation, and offloading probabilities subject to the quality-of-service requirements. The user association is managed by the mobility management entity (MME), while resource allocation and offloading probabilities are determined by each access point (AP). We propose a deep learning (DL) architecture, where a digital twin of the real network environment is used to train the DL algorithm off-line at a central server. From the pre-trained deep neural network (DNN), the MME can obtain user association scheme in a real-time manner. Considering that real networks are not static, the digital twin monitors the variation of real networks and updates the DNN accordingly. For a given user association scheme, we propose an optimization algorithm to find the optimal resource allocation and offloading probabilities at each AP. Simulation results show that our method can achieve lower normalized energy consumption with less computation complexity compared with an existing method and approach to the performance of the global optimal solution.

研究动机与目标

• 最小化支持URLLC和延迟容忍服务的混合5G移动边缘计算系统的归一化能效。
• 解决在严格QoS约束下用户关联、资源分配和卸载概率的非凸优化挑战。
• 利用深度学习实现实时、低复杂度的动态网络环境决策。
• 构建一个能够镜像真实网络变化并持续更新DNN以维持性能的数字孪生。

提出的方法

• 构建一个数字孪生以模拟真实网络环境，包含网络拓扑、信道条件以及信息论和排队论的理论模型。
• 数字孪生通过模拟不同配置下的能耗、时延和分组丢失概率，生成用于深度神经网络（DNN）的带标签训练数据。
• DNN在中心服务器上离线训练，以学习最优用户关联策略，随后部署至移动性管理实体（MME）以支持实时推理。
• 每个接入点（AP）基于MME提供的用户关联输入，使用优化算法计算最优资源分配和卸载概率。
• 数字孪生持续监控真实网络变化，并定期重新训练DNN，以在非平稳环境中保持准确性。
• 该框架将基于模型的理论分析（如URLLC可靠性与速率约束）与深度学习相结合，避免对大规模真实反馈的依赖。

实验结果

研究问题

• RQ1 如何在支持URLLC和延迟容忍服务的混合5G MEC系统中最大化能效？
• RQ2 如何有效构建数字孪生以建模实时网络动态并支持DNN训练？
• RQ3 如何在无需实时反馈或标注数据的情况下，将深度学习应用于MEC中的非凸优化问题？
• RQ4 系统如何在网络条件随时间变化的非平稳环境中维持性能？

主要发现

• 所提出的基于数字孪生的深度学习框架，其归一化能效接近全局最优解的5%以内。
• 与传统基于优化的方法相比，该方法显著降低了计算复杂度。
• 数字孪生通过在MME处进行预训练DNN推理，实现了准确且实时的用户关联决策。
• 系统通过理论模型计算分组丢失概率，无需依赖大量真实反馈，从而保持了URLLC服务的高可靠性。
• 通过使用更新后的数字孪生数据定期重新训练DNN，该框架在动态环境中表现出强健的性能。