荐读 | 国防科技大学:无人机边缘计算: 架构、多址接入与计算卸载

文摘   2024-10-14 18:39   北京  




摘要:无人机(unmanned aerial vehicle, UAV)边缘计算技术将UAV平台与移动边缘计算技术相结合, 充分利用UAV的灵活性和机动性, 为用户设备提供及时有效的计算服务。从UAV边缘计算的网络架构入手, 提出基于网络功能虚拟化和软件定义网络的技术架构。针对UAV边缘计算的关键技术, 总结对比UAV边缘计算中不同的多址接入方案, 并从不同的优化目标出发, 对基于经典非凸优化、博弈论以及人工智能方法的计算卸载策略进行总结和分析。最后, 探讨和展望未来的研究方向。



    0 引言    



近年来, 无人机(unmanned aerial vehicle, UAV)通信系统的发展呈现出迅猛的势头。这一技术领域的突飞猛进不仅推动了UAV行业的快速发展, 也为各个领域带来了新的可能性和前景。首先, UAV通信系统在军事领域发挥着越来越重要的作用。军事部队利用UAV进行侦察、监视、目标定位等任务, 而这些任务的成功执行离不开高效可靠的通信系统。其次, 在商业领域, UAV通信系统的迅速发展也催生了诸多应用。从快递配送到农业植保, UAV在商业运营中的应用场景日益丰富。随着消费级UAV市场的不断扩大, 普通消费者对UAV通信系统的需求也与日俱增。在娱乐、摄影等领域, UAV已经成为了常见的工具, 而其通信系统的稳定性、传输速度等方面的提升, 将进一步满足用户对于UAV功能和性能的需求。UAV通信系统的发展不仅仅受益于UAV本身技术的进步, 同时也离不开通信技术的创新。随着5G、物联网、边缘计算等新一代通信技术的不断成熟[1], UAV通信系统的性能将得到极大的提升, 从而为UAV的广泛应用打下更加坚实的基础。


另一方面, 随着信息技术的快速发展, 终端设备的数量不断增加。移动互联网服务的爆炸式增长催生了各种需要大量计算的应用程序, 如虚拟现实、增强现实、自动驾驶、人工智能、数据分析等应用。终端的计算任务对时延要求越来越高, 这给计算能力有限的终端用户带来了沉重的计算负担, 算力资源受限与低时延要求的矛盾越来越突出。现有的云计算面临着核心网传输时延过长的问题, 无法及时满足终端设备数据流量爆炸式增长的计算处理需求。而移动边缘计算(mobile edge computing, MEC)[2]可以将云端的计算资源下沉到网络边缘, 减少核心网带宽占用, 为终端用户提供及时有效的计算服务, 降低任务计算时间。传统的MEC系统通常将MEC服务器部署于基站、接入点等网络边缘位置。由于其固定的架构, 存在灵活性差、部署成本高的问题。然而, 未来的网络不仅需要能够适应动态和异构的环境, 还应该能够以快速和高可靠的方式支持热点区域和临时的任务计算。最近研究表明, MEC服务器也可以搭载于UAV[3]。Axellio公司针对UAV开发出了一款轻量级边缘计算平台FabricXpress[4]。


相较于传统的地面MEC网络, UAV辅助的MEC(UAV-MEC)网络有以下优势: ① UAV可以在荒野、沙漠、受灾地域、军事行动等多数情况下灵活部署。② UAV能够与地面用户、基站建立视距链路(line of sight, LoS)[5], 从而扩大服务覆盖范围、提高数据传输的稳定性和可靠性, 并有助于提高计算性能。③ UAV的移动性能够适应用户设备数量、位置和服务需求的不断变化, 从而为移动用户提供无缝计算服务, 保证计算服务的连续性, 并可为其他计算资源受限的UAV提供支持。此外, 在UAV进行搜索和救援时, 处理图像所需的计算能力和存储能力较强, 以人脸识别为代表的任务需求需要实时上传视频并进行决策。对于计算能力有限的UAV, 可以将这些计算密集型任务转移至MEC服务器、空闲的UAV、地面基站或接入点。


目前, 已经有一些关于UAV和边缘计算的相关研究综述文章。在UAV的综述中, 文献[6]对UAV网络中多种接入技术进行全面的总结与对比。文献[7]回顾非正交多址接入(non-orthogonal multiple access, NOMA)在UAV网络中的应用。在边缘计算的综述中, 文献[8]提出MEC技术的实现依赖于网络功能虚拟化(network function virtualization, NFV)和软件定义网络(software defined network, SDN), 并将虚拟化的资源通过虚拟功能网元(virtual network function, VNF)执行。文献[9]针对MEC中的计算卸载方案进行分析总结。在UAV-MEC网络的综述中, 文献[10]简要介绍UAV-MEC网络的体系架构、任务卸载的工作原理、计算卸载时采用的不同接入方案。文献[11]提出一种融合UAV和边缘计算的网络架构, 并简单分析总结多用户接入技术与计算卸载策略。文献[12]探索一种基于SDN的UAV-MEC框架。文献[13]对UAV-MEC网络的资源优化问题进行综述, 提出基于软件定义UAV网络的总体架构。文献[14]中简要概述UAV搭载MEC设备的基本网络架构, 重点对现有的卸载算法进行了调查和分析对比。文献[15]总结多UAV-MEC网络中多址接入与计算卸载决策。文献[16]总结利用智能方法解决UAV-MEC网络中以最小化能耗、最小化时延、最大化任务处理数为目标的资源优化问题。限于篇幅和侧重点, 上述综述文章只是简单地介绍UAV-MEC网络中的技术架构和多用户接入方案。本文的创新之处在于针对UAV-MEC网络的技术架构进行详细的介绍, 从多用户接入的角度出发, 详细对比多种接入方案, 并分析其对计算卸载时延与能耗性能的影响, 给出多种最新的计算卸载策略。通过详细描述UAV-MEC网络的技术架构, 更好地了解该网络的组成部分。通过对比不同的接入方案, 综述给出对计算卸载性能的影响, 为读者提供了深入分析、选择接入方案和计算卸载策略的依据。本文首先总结UAV-MEC网络的技术架构以及应用场景, 然后从多址接入方案、计算卸载策略这两方面介绍和分析网络中的关键技术, 最后将会探讨未来的挑战以及发展方向。


1 UAV-MEC架构与应用场景



本节将搭建UAV-MEC网络的技术架构, 并介绍UAV-MEC网络的实际应用场景。



 1.1 UAV-MEC技术架构  




根据前文所述, MEC技术的实现依赖于NFV和SDN。然而, 由于UAV自身体积小且高速移动, 将边缘计算平台搭载于UAV面临着一定的挑战。因此, 本节将结合NFV和SDN的特点, 将其引入UAV网络中, 搭建适应UAV-MEC网络的技术架构。以NFV和SDN这两个关键技术为支撑UAV搭载轻量级移动计算平台、实现任务计算功能, 为UAV-MEC网络从理论到实践起了重要的推动作用。通过NFV, 可以使得MEC服务器根据计算任务的需求变化动态调整提供的计算资源, 方便实现多UAV之间的通信、计算资源的高效共享。通过SDN, 可以实现控制平面与数据平面的分离, 方便获取区域内各个终端用户的状态以及动态变化情况, 实现计算任务的有效分配。适应UAV-MEC网络技术架构如图 1所示。


图1 UAV-MEC网络的NFV和SDN架构


1.1.1 UAV-MEC网络功能虚拟化


NFV技术实现了硬件和软件应用程序的隔离, 使用户能够在硬件上运行由多个虚拟机组成的仿真环境, 并通过访问物理资源进行操作。物理层由计算硬件、存储硬件和网络硬件组成。通过将硬件映射为虚拟化格式, 可以更加方便地访问和管理计算资源。将NFV技术引入UAV-MEC网络, 可以将UAV中配备的MEC服务器的硬件资源抽象为虚拟化的计算资源, 形成包括虚拟计算、虚拟存储和虚拟节点的虚拟化层, 并将请求的资源提供给VNF执行。


利用NFV技术, 配备MEC服务器的UAV可以通过创建多个虚拟机或轻量级的容器, 实现有效的计算资源虚拟化分割, 为多个终端设备的不同类型任务提供计算服务。文献[17]提出了通过NFV技术, 优化UAV的部署和飞行控制, 确保UAV提供服务的可靠性和用户服务质量(quality of service, QoS)需求。借鉴文献[11-12]的思想, 本文提出UAV-MEC网络可以虚拟化为物理层、虚拟化资源层、VNF控制层和编排器层。物理层是机载的MEC服务器网络、计算、存储平台。虚拟化资源层将硬件平台资源抽象为虚拟化的资源。VNF控制层是通过VNF进行虚拟化计算、存储资源的管理与调度。编排器层是对虚拟化的容器进行编排, 使之能够顺利地接收终端设备的计算任务, 并及时调整计算资源的分配。


1.1.2 UAV-MEC SDN


SDN的核心思想是将控制平面与数据平面分离, 使得控制平面负责上层的控制决策, 而数据平面负责数据的接收与转发。通过开放式的可编程接口, 可以实现多控制器以及多实体设备的通信。将SDN引入UAV-MEC网络能够有效降低UAV的负载, 简化UAV-MEC网络的结构。


通过SDN, 能够有效地管理网络资源, 降低UAV负载, 实现对UAV节点进行集中控制。根据文献[12]所述, UAV集群中的通信、计算和存储资源通过NFV虚拟成UAV-MEC网络的资源池。SDN的南向接口负责与数据平面(即虚拟的资源池)进行通信, 为SDN控制器收集关于系统整体状态信息, 包括计算任务、UAV和MEC服务器之间的通信和计算资源。SDN控制器部署于UAV集群的簇头位置, 负责管理整体的资源分配、任务卸载、轨迹规划等功能。SDN的北向接口负责与应用平面(即资源池的分配, UAV动作)进行通信, 分发控制指令。应用平面执行相应的动作。在UAV-MEC网络中, SDN控制器可划分为通信模块、计算模块、缓存模块、移动性管理模块、轨迹优化模块和任务调度模块。


(1) 通信模块: 负责地面终端设备、基站、地面控制器与UAV的通信, 或UAV集群之间的通信, 以及通信资源(频带, 干扰管理, 功率)的分配与调度。


(2) 计算模块: 利用轻量化的MEC平台, 满足UAV自身或其他用户终端的图像处理、目标识别等任务的计算能力, 以及负责任务卸载决策的执行。


(3) 缓存模块: 利用经典优化算法、强化学习等方法, 对区域用户的内容的流行度进行判断, 并执行缓存决策, 更新缓存文件。


(4) 移动性管理模块: 当用户设备以及UAV动态移动时, 终端设备可能会离开UAV的服务范围, 通过移动性管理模块, 可以提前将任务或计算结果交给其他UAV, 保证流畅的任务卸载服务。


(5) 轨迹规划模块: UAV执行任务时, 根据多个终端的计算请求以及UAV集群中其他UAV的位置, 规划飞行轨迹, 并执行优化的轨迹策略。


(6) 任务调度模块: 当UAV能源不足或配备的MEC计算资源不足时, 可以通过任务调度模块, 将部分任务卸载到MEC服务器空闲的地面基站或UAV。



 1.2 UAV-MEC应用场景  




在UAV-MEC网络中, UAV可以被视为携带计算任务的用户、协助用户卸载计算任务的中继以及执行计算任务的MEC服务器。图 2展示了UAV在UAV-MEC网络中的典型交互场景。UAV-MEC的应用场景有偏远地区、战场侦察、紧急救援、智能人群监控、城市热点保障等, 如图 3所示。其中, 前3个应用场景是不适合建立地面MEC网络或地面MEC网络遭到破坏的情况。此时, UAV-MEC网络成为了一种理想的替代方案。而后2个应用场景中, UAV-MEC网络相比地面MEC网络有更大的优势, 可以通过两者的协同提供更优质的计算保障服务。


图2 UAV-MEC网络典型场景图


图3 UAV-MEC网络可能的应用场景


(1) 偏远地区。在荒野、沙漠、森林、火山和其他复杂地形等偏远地区情况下, 建立地面MEC网络难度较大并且性价比低。在这些地方, UAV会执行例如动物追踪、植被树冠分析、火山探测、核辐射评估等任务。部分数据由UAV的摄像机收集得到, 另一部分数据则是由位于这些区域的传感器传输到UAV获得的。通过UAV-MEC网络, 可以及时处理收集到的数据, 生成准确的实时结果信息。


(2) 战场侦察。在战场上, 短时会有大量时延敏感型任务请求, 例如需要实时准确估计对方势力的位置, 对目标进行识别。使用搭载MEC服务器的UAV集群, 可以直接将收集到的图像、截获的通信信号, 在MEC平台进行处理, 迅速得到结果, 并反馈到相关服务请求的用户设备。


(3) 紧急救援。在遇到自然灾害如洪水地震时, 地面MEC网络可能被破坏。利用配备红外摄像头的UAV集群进行紧急救援时, 可以通过识别体温或图像营救幸存者, 此时需要及时处理图像识别、人脸识别等任务。在这种情况下, 首先需要对图像进行增强、处理, 然后应用计算密集型的计算机视觉算法。相比传输到云端, 利用UAV-MEC网络可以大大降低时间。


(4) 智能人群监控。UAV-MEC网络可以用于基于人脸识别的人群监控, 在大量人群中识别出指定的可疑分子。在城市繁华的中心区域, 通过对大量监控摄像头或UAV的图像处理, 识别罪犯和发现任何其他可疑的人类活动, 保护人群安全。文献[18]开发基于UAV-MEC网络人群监控的实物平台, 实验表明该平台可以降低能耗并显著提高系统响应能力。


(5) 城市热点保障。在热点地区, 如体育场比赛或露天音乐节, 大量观众可能有兴趣录制、上传、共享或下载高质量的视频。在这些情况下, 可能会有众多的用户设备同时请求计算密集型服务。UAV-MEC网络可以灵活部署并协助地面的MEC网络, 提供计算和内容缓存服务, 提高用户服务质量。


    2 关键技术与进展    



UAV-MEC网络, 使得终端用户设备能够将其计算任务卸载到配备MEC服务器的UAV进行处理, 这为应对任务及时处理提供了一种有效的解决方案。在UAV-MEC网络需要通过无线链路进行终端用户和UAV之间的数据传输。相比地面传输, UAV在空中覆盖范围更大, 需要服务的用户数更多。在实时救灾或战场侦察时, 海量的用户设备同时接入UAV, 对UAV-MEC网络造成了巨大的压力, 因此相比地面的MEC网络, UAV与地面设备之间需要更具有鲁棒性、支持大并发数的多址接入方案。并且, UAV-MEC网络需要支持高效的计算卸载, UAV负载和电池受限, 如何在飞行过程针对最小化任务完成时间、系统能耗以及权衡时延能耗的优化目标制定计算卸载策略合理地服务设备, 也是学术界关注的重点。下面以多址接入技术和计算卸载策略为代表分析研究现状。



 2.1 多址接入技术  




多址接入技术可以分为正交多址接入(orthogonal multiple access, OMA)和NOMA。下面将分别介绍OMA和NOMA接入方案下的UAV-MEC系统。


2.1.1 OMA


在传统的UAV和边缘计算网络[6]中通常采用OMA方式, 包括时分多址(time division multiple access, TDMA), 频分多址(frequency division multiple access, FDMA), 正交FDMA(orthogonal FDMA, OFDMA), 码分多址(code division multiple access, CDMA) 和空分多址(space division multiple access, SDMA)。在TDMA中, 不同的时隙被分配给与UAV通信的不同用户。在FDMA和OFDMA中, 不同的频带或正交的子载波被分配给用户[19], 而在CDMA中, 不同的设备有不同的正交码。在SDMA中, 使用波束成形对用户组进行空间分离, 为每个组提供全时间或频率资源。图 4为UAV-MEC网络中全向天线与SDMA的示意图, 其中UAV采用全向天线与多设备进行通信时, 会在其他资源域进行多用户的区分, 具体如图 5所示。


图4 UAV-MEC网络中全向天线与波束成形SDMA接入方案的示意图


图5 TDMA、FDMA、OFDMA和CDMA中多用户资源分配示意图


文献[20]研究一种基于UAV的MEC系统, 为了提高UAV的能效, 提出一种基于TDMA接入方案的工作排队模型, 该模型允许UAV-MEC系统中不同用户设备的并行传输和执行任务; 利用块坐标下降(block coordinate descent, BCD)法、拉格朗日对偶算法和流水作业排序算法, 联合优化UAV飞行节点关联、计算资源分配、UAV悬停时间、无线供电时间和UAV飞行节点服务顺序, 实现UAV总能耗的最小化。文献[21]从物理层安全的角度研究基于TDMA方案的UAV-MEC系统, 为了解决多变量高度耦合的非凸问题, 采用BCD算法对UAV的轨迹和计算资源进行联合优化, 优化TDMA方案最小安全计算能力最大化的问题。


在UAV-MEC系统中在以强视距路径为主、频率选择性小的空对地信道时更适合FDMA接入方案[22]。文献[23]研究UAV与基站协同为物联网设备提供MEC服务, 在任务卸载过程中, 使用FDMA方案以带宽区分多用户设备; 通过联合优化UAV的位置、通信和计算资源分配, 以及任务卸载决策, 利用连续凸近似(sucessive convex approximation, SCA)算法求解一个以所有物联网设备业务时延和UAV能耗加权之和最小为目标的优化问题。文献[24]考虑具备时间敏感性任务的设备需求, 研究基于FDMA的UAV-MEC网络, 该网络由多UAV为用户设备提供协同卸载服务; 利用BCD和交替迭代算法, 对UAV的飞行轨迹、资源分配和卸载决策进行联合优化, 使系统总能耗最小。


文献[25]研究OFDMA接入方案下UAV-MEC系统中的延迟感知调度问题, 通过对时分双工(time division duplex, TDD)和频分双工(frequency division duplex, FDD)两种模式的研究, 提出基于对偶理论的备选搜索优化和SCA的算法, 解决基于下行传输功率和子载波分配的资源分配问题, 该算法可以快速收敛并具有较小的计算复杂度。文献[26]讨论OFDMA框架下MEC网络中计算效率加权和最大化问题, 并推导最优子信道和功率分配方案的闭式表达式。文献[27]研究地面MEC服务器和UAV-MEC网络协同工作, 地面用户在保证最小计算量的情况下, 将剩余的任务分配给地面服务器和基于OFDMA方案的UAV服务器, 通过优化用户设备占用OFDMA方案的正交频带以及发射功率使得设备与UAV之间传输速率的最大化。


针对UAV群实时空中监视网络对距离和吞吐量的需求, 文献[28]将CDMA方案引入IEEE 802.11ah标准, 以适应UAV群体通信场景下的多个用户设备多路访问, 从而为传输视频和其他有效载荷信息提供不同数据速率的多用户通信能力。文献[29]研究基于CDMA接入方案的UAV-MEC系统, 设备通过CDMA接入UAV的MEC服务器, 不同的正交码允许多个用户同时有效地共享频谱资源; 在卸载决策和资源竞争的约束下, 提出一个基于博弈论的方案最小化时间延迟和能量消耗的加权和并证明了纳什均衡的存在性。


文献[30]中建立基于SDMA接入的UAV-MEC网络的联合通信计算优化模型以及实物平台, 该模型包括具有MEC能力的集中式顶部UAV(top UAV, T-UAV)和分布式底部UAV群(bottom UAV, B-UAV)。对于负载和飞行能力更强的固定翼T-UAV, 可以部署多个相控阵天线并发产生不同波束, 以支持SDMA通信。在每个相控子阵天线面板上集成多个射频集成电路, 确保接收T-UAV的主瓣束指向每个发射机B-UAV的方向。针对毫米波束状波束的特点, 利用基于全球定位系统等位置感知技术和UAV摄像机图像处理技术的空间正交技术, 实现多架B-UAV以独立波束访问T-UAV的目标。利用随机几何方法, 推导基于UAV群三维分布的单个链路和一组链路的成功传输概率, 并利用排队理论, 得到最优响应延迟。


2.1.2 NOMA


传统的OMA方式保证了多设备并发通信之间的正交性, 以避免用户之间的干扰[31]。然而, 这种正交设计会受到服务用户数量的限制, 降低了系统的频谱效率, 不能满足设备大量接入与高频谱利用率。用户设备有时需要等待一个可用的正交资源块来被授予访问权, 这对于计算任务时延要求严格的用户是不可接受的。而NOMA可以通过划分发射功率或码本, 使用相同的时隙和频率资源容纳更多的用户与搭载MEC服务器的UAV通信[32]。


NOMA可以分为功率域NOMA(power-domain NOMA, PD-NOMA)和码域NOMA(code-domain NOMA, CD-NOMA)。PD-NOMA通过优化功率分配在功率域进行多用户复用, 实施严格的功率控制, 在接收端利用连续干扰消除(successive interference cancelation, SIC)算法, 利用不同的信道增益依次解出各个用户设备的信号。速率分拆多址技术(rate splitting multiple access, RSMA)结合了前文所提的SDMA以及PD-NOMA, 通过对用户消息的拆分以及多用户通用消息和用户私有消息解码实现非正交传输。CD-NOMA技术是通过一定的构造准则, 如交织、稀疏扩频、扰码、信道编码等, 获得一系列非正交序列后分配给不同用户, 使其能够获得更高的频谱效率以及抗过载能力。稀疏码多址接入(sparse code multiple access, SCMA)技术是一类将多维调制和稀疏扩频技术相结合的性能优异的CD-NOMA技术。


图6展示了UAV-MEC网络中PD-NOMA与SCMA接入方案。针对PD-NOMA方案在UAV-MEC网络的实际应用, 采用预分组的方法通过对信道的预知信息, 将一个信道条件差的和信道条件好的用户分为一组, 组内用户设备采用差异的功率。对于SCMA为代表的CD-NOMA方案, 根据码本的大小, 将不同的用户分配不同的码本并叠加传输, 接收端利用消息传递算法(message passing algorithm, MPA)求解各个用户的信号。与OMA相比, NOMA可以提高用户的传输速率和频谱利用率。由于NOMA能够适应大规模连接, 基于NOMA技术的UAV-MEC系统可以为大规模接入网络(如传感器网络和物联网)中的众多移动终端提供灵活的计算服务。


图6 UAV-MEC网络中PD-NOMA与SCMA接入方案的示意图


在基于NOMA的UAV-MEC系统中, 用户设备通过NOMA协议将任务数据上传到UAV MEC服务器, UAV完成任务计算后将结果返回到终端设备。NOMA协议引入了设备之间的干扰, 当上传任务数据量大时, 随机分配任务数据可能会导致设备之间产生较强的干扰, 从而增加设备之间的能量消耗, 导致任务计算时间增加。在任务时间容忍度和多设备的发射功率固定的情况下, 计算资源的分配也会直接影响计算延迟并对设备的能耗产生影响。UAV的动态轨迹决定了用户设备与UAV之间的信道增益, 这对任务数据的传输时间以及UAV的能量消耗有很大的影响。因此, 需要联合优化NOMA的功率或码本分配、UAV轨迹、任务数据分配和计算资源分配, 最小化UAV的能耗同时降低任务计算时间、最大化计算任务的处理数[33]。


为了探讨设备接入策略对系统能耗的影响, 文献[34]研究UAV-MEC网络上行传输中TDMA、OFDMA和NOMA接入方案; 在UAV动作、发射功率和比特因果关系的约束条件下, 联合优化比特分配、UAV轨迹、UAV功率分配和资源分配, 从能量消耗的角度研究了UAV-MEC系统; 针对TDMA和OFDMA方案, 利用SCA技术得到一个次优方案; 针对NOMA方案, 将原始问题分解为两个子问题, 并通过对两个子问题的交替优化发展出一种高效的迭代算法; 相比之下, NOMA方案比TDMA、OFDMA节省了更多的UAV能耗, 但是NOMA接收端采用的SIC技术可能会导致额外的实现复杂度。文献[35]研究TDMA和NOMA两种接入方案下, UAV-MEC系统能量最小化的问题; 当终端任务的时延限制为2.7 s时, 相比TDMA, NOMA方案的能量消耗降低了18.75%。当终端任务的时延要求很严格时, TDMA的性能会优于NOMA性能, 原因是由于NOMA接收复杂度更高, 更短的任务截止时间会限制NOMA的性能, 导致更大的能耗。文献[36]为了支持UAV-MEC网络中众多设备接入, 以及处理上行场景中终端产生的大量数据流量, 采用NOMA接入方案; 与OMA相比, 所提方案的能耗降低了16.66%。文献[37]指出利用NOMA方案, 在8个用户的UAV-MEC网络中, 加权能耗比OMA减少了约20%, 并随着用户数量的增加, 优势会进一步扩大。文献[38]将RSMA引入UAV-MEC网络, 用户可以将其任务卸载到空中MEC平台计算, 通过优化RSMA的卸载决策、分拆比、解码顺序使响应时延和处理能耗最小化, 结果表明系统能耗优于PD-NOMA方案。


针对用户接入策略对任务计算延迟的作用, 文献[39]将NOMA引入UAV-MEC网络中提高频谱效率, 在考虑UAV能耗和设备QoS的前提下, 进行联合轨迹和计算卸载优化, 最小化所有用户任务的总延迟。文献[40]建模一对PD-NOMA用户组的上传时间和同信道干扰之间的相互作用, 通过半定松弛和凹凸过程迭代确定NOMA用户配对和卸载决策, 该方案能有效地抑制同信道干扰, 降低用户平均上传时延并增加待上传用户数量。文献[41-42]提出针对SCMA的码本分配优化算法, 验证在MEC网络中SCMA方案比OFDMA接入可以减少数据的上传时间, 从而使得整体任务计算时延降低。文献[43]研究基于NOMA接入方案的UAV-MEC系统, 在满足UAV覆盖率的前提下, 最大化所有物联网设备的计算率的问题; 该框架采用NOMA方案, 使多个设备能够同时将其任务传输给UAV, 相比TDMA方案, 提高物联网设备的任务计算率。文献[44]将RSMA技术引入UAV的下行传输中, 通过优化RSMA的预编码、分拆速率, 最大化用户加权和数据速率, 证明RSMA相对于NOMA的优势。文献[45]提出一种RSMA辅助MEC方案, 用户能够利用RSMA将计算任务卸载到MEC服务器, 求出成功计算概率的封闭表达式, 相比现有的OMA与NOMA方案, RSMA能够提高成功计算概率。UAV-MEC网络中多址接入技术总结对比如表1所示。


表1 UAV-MEC网络中多址接入技术总结对比




 2.2 计算卸载策略  




在UAV-MEC网络中, 计算卸载是指通过无线接入方案, 将计算任务所需数据从用户设备上传到配备MEC服务器的UAV或基站并执行的过程[46]。计算卸载的目的主要是为了加快计算任务的执行时间, 降低系统能耗, 从而更好地提高用户体验。根据设备的计算任务模型, 计算卸载可以分为整体卸载和部分卸载。整体卸载适用于高度集成或者不可分割的任务(如复杂数学运算)。这种类型的任务必须整体在本地执行或者卸载到MEC服务器。部分卸载是将用户的复杂任务分成若干功能模块, 每个子任务分别执行计算卸载决策。


设备的计算卸载策略应该包含以下决策: ①是否应该将任务上传到MEC服务器?②该任务是否可以分割?即决定该任务可以整体卸载还是部分卸载。③将该任务上传到哪个MEC服务器?当UAV-MEC网络中有多个MEC服务器存在时, 寻找一个计算资源空闲且信道好的MEC服务器更利于计算卸载。④根据哪种优化目标决定计算卸载策略?不同任务对完成时间的限制是不同的, 应当根据系统能耗、资源状态以及任务的时延要求选择恰当的优化目标。在UAV-MEC网络中, 请求计算卸载服务的用户设备往往有时延敏感型、资源密集型和数据密集型任务, 计算任务的完成时间以及用户设备和UAV消耗的能量是评价UAV-MEC系统中用户QoS的指标。计算卸载决策结果由系统能量消耗和完成计算任务时延决定。计算卸载策略的目标主要分为降低时延、降低能耗以及权衡时延与能量三方面。


2.2.1 以降低时延为目标的计算卸载策略


终端用户设备具备时延敏感型任务时, 可以采用以降低时延为目标的计算卸载策略。在UAV-MEC网络中, 当进行计算卸载时, 任务的完成时间包括上传到UAV的传输时间、UAV MEC服务器计算时间以及回传时间。当本地运行时, 任务的完成时间为设备本地计算时间。此时, 需要设计有效计算卸载策略, 既充分利用UAV-MEC的计算能力满足各用户的任务时延要求, 又避免多用户拥挤抢占计算资源、导致整体时间变长的情况。


文献[47]采用部分卸载的方式, 计算任务分为两部分, 一部分由UAV完成, 其他部分由本地计算; 通过共同优化UAV轨迹、部分卸载任务的比率和用户调度变量, 最小化用户设备任务的最大时延之和; 在引入辅助变量的基础上, 提出一种改进的基于惩罚对偶分解的算法; 仿真分析表明, 该算法的复杂度较低, 且降低了设备任务的时延。文献[48]探讨基于毫米波回程的低延迟UAV-MEC网络, 采用联合交替方向乘子法(alternating direction method of multipliers, ADMM)、Dinkelbach算法和SCA算法求解最小化任务时延的问题, 得到最优的卸载策略; 所提算法能够较好地完成设备的时间敏感型任务。文献[49]研究UAV辅助的超高可靠低延迟计算卸载的问题, 利用SCA算法解决UAV优化布局的规划问题以及在UAV能量受限的情况下进行资源分配和计算卸载决策的问题。文献[50]考虑UAV-MEC网络中多UAV协同提供计算服务, 以最小化所有设备之间的最大任务完成延迟为目标, 提出一种基于BCD和SCA技术的迭代算法来获得近似最优解。文献[51]研究多UAV边缘云协同卸载的延迟最小化问题, 采用凸近似方法使原始问题易于处理, 利用李雅普诺夫优化方法进行在线任务卸载决策。为了实现UAV之间的合作, 文献[52]提出一种稳定匹配算法, 将计算任务卸载问题转化为双边匹配问题, 利用迭代算法, 使每架UAV与最适合卸载的设备相匹配, 有效降低了平均时延。文献[53]提出一种基于Stackelberg博弈方法求解多层UAV-MEC网络中计算卸载决策问题, 配备MEC服务器的UAV通过考虑其他UAV的行为来优化其定价, 以最大化收入; 每个用户设备选择最佳的计算任务卸载策略, 最大限度地减少延迟; 仿真结果表明, 该方案能有效地降低UAV的卸载时延。文献[54]在UAV-MEC系统中, 将复杂的计算任务分解为具有相互依赖性的典型任务流; 通过考虑UAV任务、动态网络状态和能量约束的相互依赖性, 建立平均任务响应时间最小化问题, 并将其建模为马尔可夫决策过程; 每次任务到达或任务执行完成时, 方案应该决定下一个任务执行的无人机MEC服务器, 实现协同任务卸载, 提出了多智能体强化学习(multi-agent reinforcement learning, MARL)算法的计算卸载策略; 基于MARL的计算卸载策略具有较好的收敛性, 能够显著降低平均任务响应时间并能适应动态环境。


2.2.2 以降低能耗为目标的计算卸载策略


资源密集型计算任务占有较多的通信和计算资源的同时会消耗大量的能量, 此时终端可以采用降低能耗为目标的计算卸载策略。在UAV-MEC系统中, 用户设备以及UAV的电池都是有限的, UAV在飞行的同时, 还需要提供计算服务, 续航能力无法得到有效的保证。当进行计算卸载时, 完成任务消耗的能量包括设备上传到UAV消耗的能量、UAV维持飞行消耗的能量、UAV-MEC服务器计算消耗的能量以及回传消耗的能量。当本地运行时, 任务消耗的能量为设备本地计算能耗。设计有效的计算卸载策略, 在满足计算任务时延要求下, 能够降低用户设备以及UAV的能耗, 更加适合实际场景应用。


文献[55]考虑UAV-MEC系统中, 最小化物联网设备的能量消耗以及UAV的能量消耗问题; 在所有物联网设备任务的时延约束和通信计算容量资源的限制下, 使用BCD算法交替求解得出最佳的任务分配策略; 仿真结果表明, 该方法显著降低了系统功耗。文献[56]研究UAV增强边缘计算网络的能量最小化问题, 将该优化问题表述为混合整数非凸优化问题, 并提出一种基于BCD和SCA技术的迭代优化算法, 降低完成任务的总能耗, 验证任务卸载的必要性。文献[57]在UAV计算卸载策略、资源分配和飞行轨迹调度的约束下, 最小化移动用户设备和UAV的平均加权能耗; 利用李雅普诺夫优化法分析计算任务队列, 并利用交替迭代优化法求解出了计算卸载策略。文献[58]研究基于多UAV联盟的UAV-MEC网络的计算卸载问题, 针对分层卸载特征, 给出一个离散的多领导者多跟随者的能量最小化Stackelberg博弈, 并证明纳什均衡的存在性; 仿真结果表明, 与现有的一些方法相比, 所提算法能够实现较低的网络能耗。文献[59]将人工智能引入UAV-MEC网络, 实现智能任务的卸载和资源的分配; 深度强化学习(deep reinforcement learning, DRL)是UAV-MEC系统中高效决策的无模型解决方案, 如任务卸载决策和计算资源分配; 深度神经网络(deep neural network, DNN)的拟合能力为UAV-MEC系统的计算任务预测提供一种方法; 预测结果可用于进一步提高多UAV协同卸载的性能。文献[60]针对UAV-MEC系统, 利用长短期记忆网络(long short term memory, LSTM)进行计算任务预测, 并在此基础上提出能耗最优的3层计算卸载算法; 实验表明, 该算法可以根据任务所需的时延、UAV高度和数据大小, 动态规划UAV-MEC网络的计算卸载策略, 从而有效降低UAV的能耗。文献[61]提出一个基于博弈理论和DRL算法框架用于多UAV与地面基站协同网络的计算卸载; 该框架可以通过马尔可夫决策过程求解多UAV与地面基站MEC服务器协同的计算卸载最优策略。


2.2.3 权衡时延和能耗的计算卸载策略


根据前述, 时延和能耗是UAV-MEC网络中的重要性能指标。当设备有复杂的计算任务需要执行时, 往往能耗和时延都会影响用户服务体验质量, 因此权衡能耗和时延的计算卸载策略也是一个重要的研究方向。


文献[62]研究UAV-MEC具体场景, 其中每个终端可以使用3种计算策略, 即本地计算、卸载部分任务到UAV进行计算、通过UAV中继将任务卸载到基站, 文中通过优化计算卸载比特分配、时隙调度、和功率分配以及UAV轨迹权衡时延和能耗加权和, 并利用拉格朗日对偶法和SCA算法获得近似最优解。文献[63]研究计算卸载和资源分配的联合设计, 通过交替优化算法求解了权衡UAV能量和任务完成时间的帕累托最优解, 仿真结果证实所提解决方案能够达到UAV在MEC系统中完成时间和能量消耗之间的权衡。文献[29]研究UAV-MEC系统中最小化时间延迟和能量消耗的加权和的问题; 提出一个基于博弈论的方案来寻找最优计算卸载策略并证明纳什均衡的存在性; 仿真结果表明, 该博弈论方案能够达到接近最优的性能。文献[64]考虑UAV作为用户设备的场景, 机载资源有限的处理能力和能量存储, 使复杂信号的实时分析受到限制; 此时, UAV可以对接边缘计算资源, 卸载计算任务, 降低对传感器输入的响应时间, 降低能耗; 而动态的信道条件和边缘服务器拥塞情况可能会影响任务卸载的性能; 提出一个基于网络、计算负荷参数和当前状态的最优卸载决策框架, 将时延和能耗的优化问题表述为半马尔可夫过程的最优停止时间问题, 并使用动态规划和DRL方法求解该问题。文献[65]提出一种基于深度Q网络(deep Q network, DQN)调整计算卸载比例的策略, 降低UAV-MEC网络中任务延迟和能量消耗的线性加权和。文献[66]考虑一个配备MEC服务器的多UAV集群网络, 每个UAV集群簇头作为一个智能体, 以分布式方法分配计算资源给终端设备; 提出一种基于无模型DRL的协同计算卸载与资源分配方案, 其中每个智能体基于深度确定性策略梯度(deep deterministic policy gradient, DDPG)网络训练并学习高效的计算卸载策略, 通过公平性指数检查各UAV的状态, 文中目标是通过自适应学习, 最大限度地减少任务的执行延迟和能量消耗, 并获得有效的计算卸载策略。文献[67]研究多UAV的协同MEC系统, 提出一种协作式MARL框架求解任务卸载策略使任务执行延迟和能量消耗之和最小化。文献[68]提出一种多智能体DDPG(multi-agent DDPG, MADDPG)框架, 共同优化多UAV的飞行路线和物联网设备的协同卸载决策, 降低任务处理延迟和设备能量消耗。表 2总结对比了上述文献中不同计算卸载策略的求解方法。


表2 UAV-MEC网络中计算卸载策略求解方法总结对比



    3 未来研究方向    



UAV-MEC网络具备部署灵活、在网络边缘及时提供计算能力、降低任务处理时延等优点。虽然已经有大量研究人员对UAV-MEC网络的相关问题进行了研究, 但是该方向尚处于起步阶段, 仍然存在一些尚未解决的问题。


(1) UAV-MEC网络实际部署架构。本文综述了现有文献, 并初步提出UAV-MEC网络中基于NFV和SDN的技术框架, 但距离实际应用还有一定距离。如何考虑UAV上通信模块与边缘计算平台的任务数据传递与重构, 研究更符合实际情况的部署架构, 使得UAV-MEC网络从理论到实际应用值得进一步的探索。并且在实际环境中, 许多用户设备都使用不同的通信协议和模式交互。由于通信协议以及任务表达方式多样性, 整体系统的协调性是一种挑战。因此, 需要进一步研究实际环境中各个用户设备与UAV服务器之间的通信协议与计算任务表达方式的转换, 确保实际应用的可行性。


(2) UAV-MEC网络性能分析模型。现有的研究考虑理想的LoS链路, 在未来的工作中可以考虑复杂的飞行和通信模型, 如考虑到用户的移动性和衰落因素, 利用瑞利、莱斯与Nakagami-m信道衰落模型。在更贴合实际的信道模型基础下, 如何利用随机几何的方法针对网络设备容量、吞吐量、覆盖率、可靠性和中断率等性能参数分析是一个具有挑战性的问题。


(3) UAV-MEC网络中适应更高过载率、更大吞吐量、免授权和低复杂度的多址接入方式。未来网络中, 可能会有大量用户同时请求计算资源。目前, OMA接入方式在面对大量的设备过载接入的时候, 频带资源占用消耗严重, 导致传输速率下降, 部分设备计算任务时延要求难以满足。而NOMA技术可以对抗用户数量剧增后造成的过载现象, 但其接收端的复杂度较高且免授权的NOMA技术仍需研究。为了同时服务更多用户, 增加用户任务上传的速率, 进而降低任务完成的时间以及能耗, 需要研究更适应于UAV通信网络的多址接入方式。


(4) UAV-MEC网络中安全计算卸载与数据隐私框架。由于网络中数据传输是通过无线方式实现的, 容易受到很多安全威胁, 并且无授权的连接会侵犯系统的隐私。因此, 如何针对恶意的请求计算服务的节点进行检测, 并保证数据的安全防止窃听, 有必要提出和设计安全机制来提高UAV-MEC网络的安全性。区块链技术利用分布式资源来维护共享数据的安全, 引入区块链的技术, 可以识别威胁系统隐私的各种攻击和恶意用户节点, 能够增强稳定性和安全性。UAV-MEC网络中的抗干扰技术以及结合验证与计算卸载任务相关的安全认证的身份验证流程也是一种解决方案。


(5) UAV集群协同与空天地协同计算方案。由于用户设备快速移动以及对任务的高度动态需求, UAV网络中的协同行为具有重要意义。在UAV集群中, 如何制定整体的计算卸载决策是一个关键的问题。UAV集群的计算卸载决策有集中式和分布式两种方式。在集中式方式中, UAV集群的簇头配备一个中央控制器, 负责收集各个UAV反馈的状态信息, 并以集中式方式做出所有决策。但集中式的方式容易遭遇网络堵塞以及损毁的问题。基于此, 分布式方法是一个可行的解决方案, 可以利用多智能体强化学习以及“集中式训练、分布式执行”的方式, 决定计算卸载决策, 并且做到多UAV服务器之间的任务无缝切换。考虑地面以及卫星MEC服务器存在计算资源的情况, UAV可以将任务卸载或中继到具有所需计算资源的地面以及卫星基站, 构建空天地协同计算方案, 进一步降低计算任务的时延与能耗。


    4 结束语    



近年来, UAV-MEC网络受到国内外研究学者的广泛关注, 其具备部署灵活、及时提供计算服务等优点。本文对近几年UAV-MEC网络的研究进行了总结归纳。首先, 总结提出了基于NFV和SDN的网络技术架构以及该网络适用的应用场景。然后, 对比了网络中多种接入方案, 并对最新的计算卸载策略进行了总结和分析。最后, 针对UAV-MEC网络提出了未来研究方向。



· end ·


来源 | 系统工程与电子技术,2024,46(9): 3198-3210

责任编辑 | 乔珺

    


更多干货资料下载:

  • 关注公众号,在对话框回复关键字“19”,即可下载《云端控制平台与物流自动导引车通用接口指南》PDF完整版;

  • 关注公众号,在对话框回复关键字“18”,即可下载《智能驾驶计算芯片性能评测标准化白皮书》PDF完整版;

  • 关注公众号,在对话框回复关键字“17”,即可下载《工业视觉技术与应用白皮书(2023)》PDF完整版;

  • 关注公众号,在对话框回复关键字“16”,即可下载《Edge Native 技术白皮书 2.0》PDF完整版;

  • 关注公众号,在对话框回复关键字“15”,即可下载《边缘学习:隐私计算白皮书》PDF完整版;

  • 关注公众号,在对话框回复关键字“14”,即可下载《高速公路车路协同网络需求研究》PDF完整版;

  • 关注公众号,在对话框回复关键字“13”,即可下载《城市场景车路协同网络需求研究》PDF完整版;

  • 关注公众号,在对话框回复关键字“12”,即可下载《边缘计算视觉基础设施白皮书》PDF完整版;

  • 关注公众号,在对话框回复关键字“11”,即可下载《Edge Native 技术架构白皮书1.0》PDF完整版;

  • 关注公众号,在对话框回复关键字“10”,即可下载工业互联网边缘计算节点白皮书1.0PDF完整版;

  • 关注公众号,在对话框回复关键字“09”,即可下载5G时代工业互联网边缘计算网络白皮书PDF完整版;

  • 关注公众号,在对话框回复关键字“08”,即可下载边缘计算与云计算协同白皮书2.0PDF完整版;

  • 关注公众号,在对话框回复关键字“07”,即可下载运营商边缘计算网络技术白皮书PDF完整版;

  • 关注公众号,在对话框回复关键字“06”,即可下载边缘计算IT基础设施白皮书1.0PDF完整版;

  • 关注公众号,在对话框回复关键字“05”,即可下载边缘计算安全白皮书PDF完整版;

  • 关注公众号,在对话框回复关键字“04”,即可下载边缘计算与云计算协同白皮书(2018年)PDF完整版;

  • 关注公众号,在对话框回复关键字“03”,即可下载边缘计算参考架构3.0(2018年)PDF完整版;

  • 关注公众号,在对话框回复关键字“02”,即可下载边缘计算参考架构2.0(2017年)PDF完整版;

  • 关注公众号,在对话框回复关键字“01”,即可下载《边缘计算产业联盟白皮书(2016年)》PDF完整版。


推荐阅读

重磅

《自动化博览》2024年第二期暨《边缘计算2024专辑》来袭

院士报告 

邬贺铨院士:算力时代的边缘计算,附视频+PPT

联盟动态

凝心聚力 共赢计算新时代——2023计算产业生态大会在京圆满举办

前沿 

曹建农院士:未来边缘计算:趋于分布式智能

解决方案

中国移动:基于在网计算NACA的边缘算力负载均衡方案

深度 

基于边缘计算与虚拟化的工业控制代码实时构造

白皮书 

华为:鸿蒙2030白皮书,附PDF下载

报告

中国人工智能产业研究报告(VI),附PDF下载

成员召集

ECC-边缘AI工作组(EAIG)成立,欢迎加入!

联盟动态

“2023边缘计算十大解决方案”重磅发布

趋势

麦肯锡:2024技术趋势展望报告,附PDF下载



更多精彩内容,请扫描二维码关注公众号哦~

点击阅读原文

浏览边缘计算产业联盟官方网站

GCC边缘计算产业发展平台
连接 智能 自治,共识 共力 共赢! 聚集信息通信领域、工业领域、科研机构等各界信息,推送行业应用优秀实践。
 最新文章