[论文解读] Energy-Efficient Resource Allocation in Multi-UAV-Assisted Two-Stage Edge Computing for Beyond 5G Networks

Nway Nway Ei, Madyan Alsenwi+3 more|arXiv (Cornell University)|Nov 24, 2020

UAV Applications and Optimization被引用 5

一句话总结

本文提出了一种多无人机（UAV）辅助的两阶段移动边缘计算（MEC）框架，其中无人机与地面基站（TBS）协同处理来自移动设备的计算密集型任务。通过联合优化任务卸载、通信与计算资源，并采用块 successive 上界最小化（BSUM）算法，系统在满足时延约束的前提下最小化了总能耗，性能显著优于基准方案。

ABSTRACT

Unmanned aerial vehicle (UAV)-assisted multi-access edge computing (MEC) has become one promising solution for energy-constrained devices to meet the computation demand and the stringent delay requirement. In this work, we investigate a multiple UAVs-assisted two-stage MEC system in which the computation-intensive and delay-sensitive tasks of mobile devices (MDs) are cooperatively executed on both MEC-enabled UAVs and terrestrial base station (TBS) attached with the MEC server. Specifically, UAVs provide the computing and relaying services to the mobile devices. In this regard, we formulate a joint task offloading, communication and computation resource allocation problem to minimize the energy consumption of MDs and UAVs by considering the limited communication resources for the uplink transmission, the computation resources of UAVs and the tolerable latency of the tasks. The formulated problem is a mixed-integer non-convex problem which is NP hard. Thus, we relax the channel assignment variable from the binary to continuous values. However, the problem is still non-convex due to the coupling among the variables. To solve the formulated optimization problem, we apply the Block Successive Upper-bound Minimization (BSUM) method which guarantees to obtain the stationary points of the non-convex objective function. In essence, the non-convex objective function is decomposed into multiple subproblems which are then solved in a block-by-block manner. Finally, the extensive evaluation results are conducted to show the superior performance of our proposed framework.

研究动机与目标

• 解决能量受限的移动设备在临时事件或灾害区域等动态环境中，难以应对计算密集型、时延敏感型任务的挑战。
• 通过实现MEC增强型无人机与TBS之间的协同任务处理，克服纯地面MEC系统和纯无人机系统存在的局限性。
• 制定联合优化问题，对任务卸载、通信与计算资源分配进行优化，以最小化移动设备和无人机的总能耗。
• 通过变量松弛与基于BSUM的分解方法，解决该问题的NP难、混合整数非凸特性。
• 确保在严格时延约束以及无人机和移动设备通信/计算资源有限条件下的系统可行性。

提出的方法

• 提出一种两阶段MEC架构，其中无人机本地计算部分卸载任务，并将剩余部分中继至TBS进行进一步处理。
• 制定联合资源分配与任务卸载问题，以最小化总能耗，同时满足时延、通信与计算约束。
• 将二值信道分配变量松弛为连续形式，以支持类似凸优化的技术。
• 应用块 successive 上界最小化（BSUM）算法，将非凸问题分解为可处理的子问题，并迭代求解。
• 采用分块优化方法处理变量间的耦合关系（如卸载决策、功率分配、CPU分配），并收敛至驻点。
• 将任务完成延迟、上行链路传输容量以及无人机能量与CPU限制等约束整合进优化框架。

实验结果

研究问题

• RQ1 在多UAV辅助的两阶段MEC系统中，如何协同调度UAV与TBS以最小化能耗？
• RQ2 在UAV能量与计算资源受限条件下，UAV本地计算与向TBS中继任务之间的最优权衡是什么？
• RQ3 UAV数量与任务完成截止时间如何影响任务在UAV与TBS之间的分布？
• RQ4 子信道可用性与数据大小对所提框架中移动设备能耗有何影响？
• RQ5 与基准方案（如本地处理、完全卸载）相比，所提出的基于BSUM的优化在总系统能效方面表现如何？

主要发现

• 与仅本地处理或均等卸载等基准方案相比，所提方案显著降低了移动设备与无人机的能耗，尤其在任务数据量增大时更为明显。
• 随着任务数据量增加，移动设备在所提方案下能耗达到最小值，其性能趋近于完全卸载方案，归因于无人机的高效利用。
• 随着UAV数量增加，中继至TBS的任务比例下降，因为UAV可本地处理更多任务，降低对TBS的依赖。
• 在更长的任务完成截止时间内，更多任务被中继至TBS，因为UAV可卸载更多数据以节省能耗，即使资源有限。
• 系统总能耗随移动设备数量增加而上升，但UAV+TBS协同方案始终优于仅UAV方案，显著降低设备与UAV的能耗。
• 可用子信道数量增加可降低移动设备能耗，通过实现更优的功率分配与更高效的向UAV数据卸载。