[论文解读] UAVs as a Service: Boosting Edge Intelligence for Air-Ground Integrated Networks

Chao Dong, Yun Shen+4 more|arXiv (Cornell University)|Mar 24, 2020

UAV Applications and Optimization参考文献 13被引用 6

一句话总结

本文提出UaaS（无人机即服务），一种利用无人机动态提供无线通信、边缘计算和边缘缓存服务的智能空-地一体化网络架构，结合了机器学习（ML）。案例研究显示，无人机在能耗低于500 J且通信开销可忽略的情况下，可高效支持联邦学习，验证了其在6G网络中提升边缘智能的作用。

ABSTRACT

The air-ground integrated network is a key component of future sixth generation (6G) networks to support seamless and near-instant super-connectivity. There is a pressing need to intelligently provision various services in 6G networks, which however is challenging. To meet this need, in this article, we propose a novel architecture called UaaS (UAVs as a Service) for the air-ground integrated network, featuring UAV as a key enabler to boost edge intelligence with the help of machine learning (ML) techniques. We envision that the proposed UaaS architecture could intelligently provision wireless communication service, edge computing service, and edge caching service by a network of UAVs, making full use of UAVs' flexible deployment and diverse ML techniques. We also conduct a case study where UAVs participate in the model training of distributed ML among multiple terrestrial users, whose result shows that the model training is efficient with a negligible energy consumption of UAVs, compared to the flight energy consumption. Finally, we discuss the challenges and open research issues in the UaaS.

研究动机与目标

• 为解决6G空-地一体化网络中通信、计算和缓存服务的智能按需提供挑战。
• 使无人机能够作为动态、智能的服务提供者，利用机器学习技术。
• 设计一种可扩展的、协作的无人机网络架构，支持灵活的服务切换和资源管理。
• 验证无人机辅助联邦学习在边缘智能中的能量效率和性能。
• 识别实现在未来6G网络中实现UaaS的关键挑战和开放研究问题。

提出的方法

• 提出一种UaaS架构，其中无人机作为通信、计算和缓存服务的智能边缘平台。
• 采用机器学习（ML）和深度强化学习（DRL）预测服务需求并动态管理资源。
• 使用正交频 division 多址接入（OFDMA），在上行和下行链路中实现频谱均分共享。
• 应用联邦学习（FL），其中无人机充当全局模型聚合器，仅通过传播模型更新来最小化数据传输。
• 将无人机能耗建模为飞行持续时间内的推进功率与传输功率之和。
• 采用考虑路径损耗的真实无线电传播模型，上行链路速率基于距离、高度和信噪比计算。

实验结果

研究问题

• RQ1 如何智能地编排无人机，以在空-地一体化网络中按需提供通信、计算和缓存服务？
• RQ2 无人机参与分布式机器学习模型训练时的能量效率如何？
• RQ3 无人机如何协作管理动态环境中复杂的大规模连接与资源分配决策？
• RQ4 在单架无人机中实现通信、计算和缓存角色之间灵活切换的关键挑战是什么？
• RQ5 如何利用多智能体强化学习智能控制多架无人机，实现统一服务提供？

主要发现

• 所提出的UaaS架构使无人机能够利用机器学习技术智能地提供通信、计算和缓存服务。
• 使用无人机进行联邦学习训练可实现约97%的测试准确率，总能耗仅为500 J。
• 传播全局模型更新的能量成本可忽略不计，约为0.0013112 J，与飞行能耗相比微不足道。
• 无人机的推进功率（100 W）主导了总能耗，而传输功率（10 mW）对整体能耗贡献极小。
• 该系统表明，无人机可在自身能耗预算影响极小的情况下，高效支持边缘智能任务。
• 结果验证了在6G网络中使用无人机作为边缘智能训练者的可行性与能量效率。