[论文解读] Exploiting QoS Flexibility for Smart Grid and IoT Applications Using TV White Spaces: Extended Version

Naveed Ul Hassan, Chau Yuen+1 more|arXiv (Cornell University)|Feb 10, 2017

Cognitive Radio Networks and Spectrum Sensing参考文献 11被引用 4

一句话总结

本文提出了一种基于李雅普诺夫的在线算法，通过利用电视白空间（TVWS）频谱中的服务质量（QoS）灵活性——具体为传输延迟和数据质量降低——以最小化智能电网和物联网应用中小型认知无线电无线网络运营商（SCWNOs）的租赁成本。该算法通过三个可调参数动态权衡成本、延迟和质量，实现接近离线最优下界的近似最优性能。

ABSTRACT

In this paper, we consider the utilization of TV White Spaces (TVWS) by small Cognitive Radio (CR) wireless network operators (SCWNO) to support the communication needs of various smart grid and internet of things (IoT) applications. Spectrum leasing could be essential for SCWNO to support a wide range of applications. In our paper, we assume that in order to ensure Quality of service (QoS) requirements, the CR operator has the option of leasing the specially designated high priority TVWS channels (HPC) for short term use by paying a small fee according to the actual usage. Based on Lyapunov drift plus penalty function framework, we develop an online algorithm to exploit QoS flexibility. Such flexibility might be available in terms of data transmission delays as well as data quality reduction in order to minimize the overall HPC leasing cost. The developed algorithm also provides three adjustable parameters that could be controlled to tradeoff the total cost and QoS. The performance of the proposed algorithm is very close to the optimal offline lower bound solution.

研究动机与目标

• 解决在智能电网和物联网应用中，小型认知无线电无线网络运营商（SCWNOs）最小化高优先级信道（HPC）租赁成本的挑战。
• 在不违反特定应用约束的前提下，利用服务质量（QoS）灵活性，具体为可容忍的延迟和可降低的数据质量。
• 开发一种在线、实时算法，平衡租赁成本、延迟和数据质量，并支持可调的权衡。
• 在确保稳定性和有界队列延迟的前提下，实现接近最优离线下界的性能。

提出的方法

• 该算法采用李雅普诺夫漂移加惩罚框架，将时间槽上的优化问题解耦。
• 引入三个虚拟队列：一个用于队列积压（Z(t)），一个用于数据质量（Y(t)），一个用于延迟（Q(t)），每个队列均受惩罚函数控制。
• 决策变量包括完整大小传输、减小大小传输和不传输，动作选择基于最小化漂移加惩罚表达式。
• 该算法根据信道可用性（h(t)）和虚拟队列状态，动态选择传输模式（完整/减小/无），以平衡成本和QoS。
• 惩罚项包含成本（c_f^max）、延迟（ε_d）和数据质量降低（ε_q），参数设置可实现成本、延迟和质量之间的权衡。
• 推导出虚拟队列和延迟的理论边界，确保在所有条件下系统稳定且积压有界。

实验结果

研究问题

• RQ1 SCWNOs 如何在满足智能电网和物联网应用中服务质量要求的前提下，最小化HPC租赁成本？
• RQ2 在多大程度上可以利用延迟和数据质量降低方面的服务质量灵活性来降低频谱租赁成本？
• RQ3 在线算法能否实现接近离线最优解的近似最优性能？
• RQ4 在实际中，如何控制租赁成本、延迟和数据质量之间的权衡？

主要发现

• 所提出的基于李雅普诺夫的在线算法在仿真中性能达到最优离线下界的1.5%以内。
• 该算法确保了有界的队列积压，最大延迟为 D_max = ⌈Vc_f^max + 1⌉，保证了系统稳定性。
• 在 D_max 个时间槽内，减小大小的数据传输次数受 S_max = ⌈min((Y_max + D_max)/ε_q, D_max)⌉ 限制，确保了质量控制。
• 虚拟队列 Z(t) 和 Y(t) 分别有界于 Z_max = (Vc_f^max)/(1+ε_d) + ε_d 和 Y_max = Vc_f^max + ε_q，确保了系统稳定性。
• 该算法提供三个可调参数（ε_d, ε_q, V），使运营商可根据应用需求灵活权衡成本、延迟和数据质量。