[论文解读] Joint Computation and Communication Resource Optimization for Beyond Diagonal UAV-IRS Empowered MEC Networks

Asad Mahmood, Thang X. Vu+3 more|arXiv (Cornell University)|Nov 13, 2023

IoT and Edge/Fog Computing被引用 4

一句话总结

本文提出了一种用于移动边缘计算（MEC）网络中无人机搭载的非对角智能反射面（BD-IRS）的联合优化框架，以最小化最坏情况下的系统时延。通过联合优化无人机部署、任务分割、计算资源分配、功率控制和波束成形，该框架相较于基准方案将时延降低了7.25%，并相比传统对角IRS系统将频谱效率提升了17.77%。

ABSTRACT

Recent advancements in 6G systems signal a leap towards universal connectivity and ultra-reliable, low-latency communications for real-time data devices. Yet, these advancements encounter obstacles such as limited device battery life and computational power, along with urban signal blockages. To counter these, Intelligent Reconfigurable Surfaces (IRS) within Mobile Edge Cloud (MEC) infrastructures offer enhanced computing to overcome device limitations and create alternative communication paths. Despite these improvements, connectivity issues remain for remote areas. Our paper presents the Beyond Diagonal IRS (BD-IRS or IRS 2.0), integrated with UAVs in MEC networks (BD-IRS-UAV), providing on-demand links for remote users to offload tasks, tackling resource and battery limitations. We propose a joint optimization strategy to reduce system's worst-case latency and UAV hovering time by optimizing BD-IRS-UAV deployment and resource allocation. This challenge is approached by dividing it into two sub-problems: BD-IRS-UAV Placement and Computational Resource Optimization, and Communication Resource Optimization, each solved iteratively. This design significantly enhances system performance, showing a $17.75\%$ increase over traditional diagonal IRS and a $25.43\%$ improvement over IRS on buildings, with a $13.44\%$ enhancement in worst-case latency compared to binary offloading schemes.

研究动机与目标

• 解决6G赋能的移动边缘计算（MEC）网络中因海量物联网设备和数据密集型应用带来的高时延与计算能力受限问题。
• 克服传统对角相位移IRS架构的局限性，后者限制了无源波束成形的灵活性与系统性能。
• 提出一种新型BD-IRS-UAV架构，通过动态可重构性与无人机移动性，提升MEC网络的覆盖范围、容量与能量效率。
• 通过联合优化无人机定位、任务卸载、计算资源分配、功率控制与波束成形设计，最小化最坏情况下的系统时延。
• 评估先进IRS架构（全连接与分组连接）相较于传统单连接对角IRS在MEC场景下的性能表现。

提出的方法

• 将非凸、非线性、NP难的优化问题分解为两个子问题：(1) 无人机部署、任务分割与计算资源分配；(2) 功率分配、波束成形与相位移设计。
• 利用标准技术（如连续凸逼近（SCA）与D.C.规划）将每个子问题转化为凸优化形式。
• 采用交替优化方法迭代求解解耦后的子问题，确保收敛至次优但实用的解。
• 采用BD-IRS 2.0架构，结合全连接与分组连接拓扑，实现非对角、灵活的相位移控制，以增强信号调控能力。
• 将任务分割与部分卸载相结合，通过最优βn将每个用户的任务在本地与边缘计算之间拆分，以平衡计算与卸载时延。
• 基于本地计算与卸载计算时延相等的条件，推导出最优任务分割（βn）的闭式表达式，从而最小化总时延。

Figure 1 : System model

实验结果

研究问题

• RQ1 与传统对角IRS相比，BD-IRS-UAV的集成在MEC网络中如何提升系统时延与频谱效率？
• RQ2 在时延与数据卸载速率方面，不同IRS架构（全连接、分组连接与单连接）对系统性能有何影响？
• RQ3 对无人机定位、计算资源分配与波束成形进行联合优化，能在多大程度上降低最坏情况下的系统时延？
• RQ4 在高用户密度的MEC场景中，具有最优任务分割的部分卸载方式为何优于二值卸载或完全边缘卸载？
• RQ5 在全连接与分组连接BD-IRS架构之间，性能增益与实现复杂度之间的权衡如何？

主要发现

• 所提出的优化框架相较于基准方案（包括二值卸载、完全边缘卸载与固定计算分配）将最坏情况下的系统时延降低了7.25%。
• 采用全连接与分组连接架构的BD-IRS相比传统单连接对角IRS，数据速率提高了17.77%，展现出更优的频谱效率。
• 分组连接BD-IRS架构在性能上可与全连接设计相媲美，但因相位移元件数量显著减少，复杂度大幅降低。
• 随着用户数量的增加，所提出的部分卸载方案相较于二值卸载的性能增益更加明显，且在拥塞条件下时延降低效果可有效扩展。
• 当本地计算与卸载计算时延达到平衡时，系统时延最小化，该目标通过推导出的最优任务分割因子βn实现。
• 蒙特卡洛仿真结果证实，先进IRS架构可实现更快的数据卸载，从而提升计算资源分配效率，并改善不同任务规模用户之间的公平性。

Figure 2 : Road-map of iterative algorithms.