[论文解读] Joint Sampling and Transmission Policies for Minimizing Cost under AoI Constraints

Emmanouil Fountoulakis, Marian Codreanu+2 more|arXiv (Cornell University)|Mar 29, 2021

Age of Information Optimization被引用 11

一句话总结

本文提出联合采样与传输策略，在无线网络中以平均信息年龄（AoI）为约束，最小化总成本（包括采样与传输成本）。通过李雅普诺夫优化与离散时间马尔可夫链（DTMC），提出一种动态策略及两种平稳随机化策略，表明当采样成本较高时，重传过时但非过时的数据包可显著降低总成本。

ABSTRACT

In this work, we consider the problem of jointly minimizing the average cost of sampling and transmitting status updates by users over a wireless channel subject to average Age of Information (AoI) constraints. Errors in the transmission may occur and a scheduling policy has to decide if the users sample a new packet or attempt for retransmission of the packet sampled previously. The cost consists of both sampling and transmission costs. The sampling of a new packet after a failure imposes an additional cost on the system. We formulate a stochastic optimization problem with the average cost in the objective under average AoI constraints. To solve this problem, we propose three scheduling policies; a) a dynamic policy, that is centralized and requires full knowledge of the state of the system, b) two stationary randomized policies that require no knowledge of the state of the system. We utilize tools from Lyapunov optimization theory in order to provide the dynamic policy, and we prove that its solution is arbitrary close to the optimal one. In order to provide the randomized policies, we model the system by utilizing Discrete Time Markov Chain (DTMC). We provide closed-form and approximated expressions for the average AoI and its distribution, for each randomized policy. Simulation results show the importance of providing the option to transmit an old packet in order to minimize the total average cost.

研究动机与目标

• 解决能量受限设备的无线网络中通信总成本与数据新鲜度之间的权衡问题。
• 建立一个以平均成本最小化为目标、平均AoI为约束的随机优化问题。
• 设计调度策略，平衡采样、传输与重传决策，以降低系统总成本。
• 研究采样成本相对于传输成本对系统性能的影响。
• 为动态环境中的实际部署提供低复杂度、与状态无关的随机化策略。

提出的方法

• 建立一个以平均成本为优化目标、平均AoI为约束的随机优化问题。
• 应用李雅普诺夫优化理论，推导出一种基于完整系统状态信息的动态调度策略，实现时隙级决策。
• 利用离散时间马尔可夫链（DTMC）建模AoI演化，分析平稳随机化策略的性能。
• 提出两种固定传输概率的随机化策略，与系统状态无关，实现低复杂度部署。
• 采用漂移加惩罚优化方法，平衡成本最小化与约束满足，确保虚拟队列的均值速率稳定性。
• 利用数学不等式与条件期望推导成本与AoI性能的理论边界。

实验结果

研究问题

• RQ1 在何种条件下，重传旧数据包比采样新数据包更具成本效益？
• RQ2 采样成本与传输成本的相对大小如何影响最优调度策略？
• RQ3 与状态无关的随机化策略是否可在AoI约束下实现近似最优成本性能？
• RQ4 最小化总成本与维持所需数据新鲜度（AoI）之间的权衡是什么？
• RQ5 所提出的策略与传统即用即生或仅重传策略相比，在性能与复杂度上表现如何？

主要发现

• 当采样成本高于传输成本时，重传过时但非过时的数据包可显著降低总平均成本。
• 基于完整系统状态信息的动态策略通过平衡采样与重传决策，实现最优成本性能。
• 两种平稳随机化策略以极低复杂度实现近似最优成本，且无需任何状态信息。
• 仿真结果表明，当采样成本相对于传输成本较高时，重传带来的成本节约最为显著。
• 基于李雅普诺夫优化的理论分析证明，所提策略在满足平均AoI约束的同时实现成本最小化。
• 漂移加惩罚框架确保了虚拟队列的均值速率稳定性，从而在期望上保证约束合规性。