[论文解读] UAV-enabled Computing Power Networks: Design and Performance Analysis under Energy Constraints

Yiqin Deng, Zhengru Fang+5 more|arXiv (Cornell University)|Jan 14, 2026

UAV Applications and Optimization被引用 0

一句话总结

本文提出了一个无人机（UAV）驱动的计算能力网络（UAV-CPN），通过动态访问分布式计算节点以在双能约束下提升计算能力，并在联合高度与发射功率优化框架下分析任务完成概率。

ABSTRACT

This paper presents an innovative framework that boosts computing power by utilizing ubiquitous computing power distribution and enabling higher computing node accessibility via adaptive UAV positioning, establishing a UAV-enabled Computing Power Network (UAV-CPN). In a UAV-CPN, a UAV functions as a dynamic relay, outsourcing computing tasks from the request zone to an expanded service zone with diverse computing nodes, including vehicle onboard units, edge servers, and dedicated powerful nodes. This approach has the potential to alleviate communication bottlenecks and overcome the "island effect" observed in multi-access edge computing. A significant challenge is to quantify computing power performance under complex dynamics of communication and computing. To address this challenge, we introduce task completion probability to capture the capability of UAV-CPNs for task computing. We further enhance UAV-CPN performance under a hybrid energy architecture by jointly optimizing UAV altitude and transmit power, where fuel cells and batteries collectively power both UAV propulsion and communication systems. Extensive evaluations show significant performance gains, highlighting the importance of balancing communication and computing capabilities, especially under dual-energy constraints. These findings underscore the potential of UAV-CPNs to significantly boost computing power.

研究动机与目标

• 动机：通过 UAV 将分布式计算资源连接到用户，克服边界化边远区域的 MEC 问题。
• 引入一个 UAV-CPN 框架，其对 CN 的可访问性受 UAV 位置和任务延迟要求动态影响。
• 建立分析框架，以任务完成概率作为关键指标来量化任务计算性能。
• 在混合燃料电池与电池供电的 UAV 上建模双能约束，并提出高度与发射功率的联合优化。
• 通过数值分析提供能量约束下通信与计算资源之间权衡的洞察。

提出的方法

• 对一个在高度 h 的单一 UAV 覆盖圆形请求区，且服务区为 PPP 分布的 CN 的空间 UAV-CPN 进行建模。
• 对 GU→UAV 与 UAV→CN 链路采用概率性 LoS/NLoS 的空地信道模型。
• 把端到端时延 T_E2E 包括卸载、转发、计算和返回等环节定义，并施加 T_E2E ≤ T_max 的约束。
• 通过对 CN PPP 的概率性稀释，得到在双约束下的有效 CN 密度，并给出 P_success(r_u) 表达式。
• 在双能源预算下建立任务完成概率最大化问题，并设计一个高效算法以联合优化 UAV 的发射功率与高度。
• 通过数值评估揭示 CN 密度、UAV 高度与时延预算之间的权衡。

实验结果

研究问题

• RQ1 在延迟约束下，UAV 的高度与发射功率如何影响分布式计算节点的可访问性？
• RQ2 双能源约束（燃料电池与电池）对任务完成概率与整体 UAV-CPN 性能有何影响？
• RQ3 在通信与计算瓶颈存在时，如何刻画 CN 的有效密度？
• RQ4 在 UAV 支持的计算能力网络中，通信时延与计算时延之间存在哪些权衡？
• RQ5 在能量约束下，联合高度-功率优化是否优于单参数或静态策略？

主要发现

• 任务完成概率随 UAV 高度通过 LoS/NLoS 概率与路径损耗而改变，形成上传链路可靠性与下行 CN 可访问性之间的垂直权衡。
• 有效 CN 密度可表示为对通信覆盖与计算时延约束（F_t_c(T_res;D)）均需考虑的稀释 PPP。
• 该框架量化 CN 密度、UAV 高度与时延预算之间的性能权衡，显示联合高度与功率优化相较单参数策略的增益。
• 双能源约束（推进所需燃料与通信所需电池）是关键瓶颈，若未共同管理可能限制任务完成。
• 单 UAV、单 CN 基线提供了性能下限，并揭示卸载延迟与 CN 计算延迟如何共同决定任务是否成功。
• 数值评估验证了分析模型，并展示在能量约束下优化高度与发射功率如何提升任务计算性能。