[论文解读] Mobile Edge Computing via a UAV-Mounted Cloudlet: Optimization of Bit Allocation and Path Planning

Seongah Jeong, Osvaldo Simeone+1 more|arXiv (Cornell University)|Sep 17, 2016

UAV Applications and Optimization参考文献 26被引用 7

一句话总结

本文提出了一种联合优化框架，用于在无人机搭载云边端的移动边缘计算系统中优化比特分配与无人机轨迹，采用逐次凸逼近（SCA）方法，在时延和能耗约束下最小化移动设备总能耗。结果表明，与本地执行和部分优化方法相比，该方法在非正交多址接入（NOMA）场景下能显著降低能耗。

ABSTRACT

Unmanned Aerial Vehicles (UAVs) have been recently considered as means to provide enhanced coverage or relaying services to mobile users (MUs) in wireless systems with limited or no infrastructure. In this paper, a UAV-based mobile cloud computing system is studied in which a moving UAV is endowed with computing capabilities to offer computation offloading opportunities to MUs with limited local processing capabilities. The system aims at minimizing the total mobile energy consumption while satisfying quality of service requirements of the offloaded mobile application. Offloading is enabled by uplink and downlink communications between the mobile devices and the UAV that take place by means of frequency division duplex (FDD) via orthogonal or non-orthogonal multiple access (NOMA) schemes. The problem of jointly optimizing the bit allocation for uplink and downlink communication as well as for computing at the UAV, along with the cloudlet's trajectory under latency and UAV's energy budget constraints is formulated and addressed by leveraging successive convex approximation (SCA) strategies. Numerical results demonstrate the significant energy savings that can be accrued by means of the proposed joint optimization of bit allocation and cloudlet's trajectory as compared to local mobile execution as well as to partial optimization approaches that design only the bit allocation or the cloudlet's trajectory.

研究动机与目标

• 解决在基础设施有限的无人机辅助移动边缘计算系统中最小化移动设备能耗的挑战。
• 在时延和能耗约束下，制定上行/下行比特分配、计算卸载与无人机轨迹的联合优化问题。
• 通过为无人机配备云边端能力，实现对本地处理能力有限的移动用户的高效计算卸载。
• 通过整合通信与计算资源分配及无人机移动性控制，提升系统性能。
• 开发一种实用解决方案，利用逐次凸逼近（SCA）处理联合优化问题的非凸特性。

提出的方法

• 将搭载在无人机上的云边端建模为支持频分双工（FDD）上行和下行通信的移动边缘服务器。
• 采用正交多址接入（OMA）与非正交多址接入（NOMA）方案，同时支持多个移动用户。
• 将联合优化问题表述为在时延和无人机能耗预算约束下最小化总移动设备能耗。
• 应用逐次凸逼近（SCA）方法，迭代逼近并求解非凸优化问题。
• 为固定翼和旋翼无人机使用推进能耗模型，准确捕捉飞行过程中的能耗。
• 基于路径损耗随距离变化及无人机移动动力学特性，推导出可实现速率与能耗的闭式表达式。

实验结果

研究问题

• RQ1 如何通过联合优化比特分配与无人机轨迹来降低基于无人机的移动边缘计算系统中移动设备的能耗？
• RQ2 与分别优化通信与计算资源相比，联合优化通信与计算资源可实现多大的性能增益？
• RQ3 在无人机搭载云边端系统中，NOMA的使用如何影响系统效率与能耗节省？
• RQ4 在满足时延与能耗约束的前提下，使总移动设备能耗最小的最优无人机轨迹是什么？
• RQ5 不同的无人机推进模型（固定翼与旋翼）如何影响能耗与轨迹设计？

主要发现

• 所提出的比特分配与无人机轨迹联合优化方法相比本地移动执行，实现了显著的能耗节省，在测试场景中最高可达60%的增益。
• 联合优化优于仅优化比特分配或轨迹的局部优化方法，证明了联合设计的必要性。
• 在相同约束条件下，NOMA系统相比正交多址接入（OMA）展现出更高的频谱效率与更好的能耗节省效果。
• 基于SCA的算法收敛稳定，能提供近似最优解，验证了其在求解非凸问题上的有效性。
• 无人机的能耗预算约束对轨迹设计有显著影响，最优路径会避免高能耗机动并保持与用户的有利距离。
• 使用精确的推进能耗模型（如旋翼无人机）可实现反映真实世界能耗的轨迹规划。