Effizienzsteigerung bei UAV-unterstütztem Mobile Edge Computing

Mobile Edge Computing (MEC) nutzt nahe Ressourcen, um IoT-Geräte bei schweren Aufgaben zu unterstützen. Das ist wichtig für Dinge wie Video-Streaming, wo schnelle Reaktionen gefragt sind. Manchmal haben diese Geräte nicht genug Power, um die Informationen allein zu verarbeiten. Um das zu lösen, können wir Unbemannte Flugzeuge (UAVs) einsetzen, die sich bewegen und so helfen, schnell Unterstützung zu bekommen. Allerdings kann die Nutzung von Cloud-Diensten die Sache verlangsamen, weil die weit weg von den Geräten sind. Diese Arbeit schaut sich an, wie wir diesen Prozess verbessern können, indem wir UAVs sowohl für das Rechnen als auch für die Übermittlung von Informationen an die Cloud nutzen.

#Herausforderungen der aktuellen Systeme

Viele Studien haben untersucht, wie UAVs bei MEC-Systemen helfen können. Die meisten dieser Studien konzentrieren sich auf sofortige Ergebnisse, wie gut das System in Echtzeit funktioniert. Sie vergessen oft die langfristigen Probleme, die durch Umwelteinflüsse entstehen. Neue Forschungen beschäftigen sich damit, wie man Kommunikationsnetze mit UAVs über längere Zeiträume verwalten kann. Einige Methoden nutzen komplexe mathematische Techniken, um bessere Lösungen zu finden, können aber recht lange für die Berechnung brauchen.

In schnell wechselnden Umgebungen brauchen wir ein System, das sich schnell anpassen kann. Deep Reinforcement Learning (DRL) ist eine vielversprechende Strategie, da es in der Lage ist, in unsicheren Situationen schnelle Entscheidungen zu treffen.

#Vorgeschlagenes System

Das System, das wir untersuchen, hat drei Hauptteile: die Cloud, UAVs und IoT-Geräte, die Aufgaben zur Verarbeitung schicken. Unser Fokus liegt auf der langfristigen Leistung dieser Systeme. Wir führen auch eine neue Messgrösse namens Processed Data Efficiency (PDE) ein, die betrachtet, wie viel Daten im Verhältnis zur dafür benötigten Zeit verarbeitet werden.

Um sicherzustellen, dass alles über Zeit reibungslos läuft, nutzen wir eine Methode namens Lyapunov-Optimierung. Dies hilft uns, die Ressourcen zu verwalten, während wir die Aufgabenwarteschlangen im Blick behalten. Anstatt komplizierte Berechnungen anzustellen, vereinfachen wir das Problem mit einer Methode, die eine schnellere Entscheidungsfindung durch ein Lernmodell namens Deep Q Network (DQN) ermöglicht.

#Systemeinrichtung

Wir haben ein MEC-System entworfen, das mehrere IoT-Geräte hat, die Hilfe bei der Verarbeitung von Aufgaben benötigen. Es gibt einen Cloud-Service mit viel Rechenpower und ein UAV, das helfen kann, die Arbeitslast zu verteilen. Die Idee ist, dass die IoT-Geräte versuchen, einige Aufgaben selbst zu verarbeiten, dann das, was sie nicht schaffen, an das UAV weitergeben, das möglicherweise auch einige Aufgaben an die Cloud sendet.

Die Geräte sind alle über ein drahtloses System verbunden, von dem wir ausgehen, dass es eine gute Verbindung hat. Jede Aufgabe eines Geräts wird an das UAV gesendet, das dann entscheidet, ob es die Aufgabe selbst verarbeitet oder sie an die Cloud weiterleitet.

#Kommunikation zwischen Geräten

Wenn Geräte ihre Aufgaben an das UAV senden, gibt es eine spezielle Art, wie diese Kommunikation stattfindet. Jedes Gerät sendet ein Signal, und das UAV sammelt diese Signale, während es mit potenziellen Störungen durch andere Geräte umgeht. Wir können berechnen, wie gut diese Kommunikation funktioniert und wie lange es dauert, die Aufgabendaten zu senden.

Wenn das UAV die Daten erhält, berechnet es, wie schnell es diese Aufgaben basierend auf den aktuellen Bedingungen verarbeiten kann. Die Zeit, die benötigt wird, um die Daten zu senden und zu verarbeiten, ist entscheidend für die Effizienz. Das ultimative Ziel ist es, Kommunikationsverzögerungen zu minimieren und gleichzeitig die Datenverarbeitung zu maximieren.

#Verwaltung der Aufgabenwarteschlangen

Jedes IoT-Gerät hat eine Warteschlange, in der eingehende Aufgaben gespeichert werden, bis sie verarbeitet werden können. Das UAV und die Cloud haben ebenfalls Warteschlangen, um ihre Arbeitslasten zu verwalten. Um alles effizient am Laufen zu halten, ist es nötig, diese Warteschlangen zu überwachen und sicherzustellen, dass sie nicht überlastet werden.

Wir gehen davon aus, dass Aufgaben zufällig und in unterschiedlichen Raten ankommen, was die Sache kompliziert. Jedes Gerät muss Aufgaben an das UAV und die Cloud so abgeben, dass die eigenen Warteschlangen stabil bleiben. Das bedeutet, dass die Aufgaben, die Geräte lokal verarbeiten möchten, mit denen, bei denen sie Hilfe benötigen, in Balance gehalten werden müssen.

#Optimierung der Leistung

Wir konzentrieren uns darauf, ein gutes Gleichgewicht zwischen der Menge der verarbeiteten Daten und der Zeit für die Kommunikation zu finden. Das ist besonders wichtig für IoT-Geräte, die rechtzeitige Antworten benötigen. Viele frühere Modelle schauten sich die kurzfristige Leistung an, aber gingen nicht darauf ein, was über längere Zeiträume passiert.

Wir möchten die Kommunikation und Verarbeitung in einer Weise optimieren, die dafür sorgt, dass alles reibungslos läuft. Die Leistung jedes IoT-Geräts kann bewertet werden, basierend auf der Menge an Daten, die es verarbeitet, im Vergleich zu den Verzögerungen, die es während der Kommunikation erfährt.

#Problemformulierung

Um unsere Herausforderung zu umreissen, definieren wir, was wir maximieren wollen und welche Einschränkungen wir haben, wie dass Geräte ihre Leistungsgrenzen nicht überschreiten dürfen. Wir müssen verwalten, wie viel Daten jedes Gerät verarbeiten kann, wie sich das UAV bewegt und wie lange Aufgaben zur Erledigung brauchen.

Das resultierende Problem ist komplex, mit vielen Variablen, die gleichzeitig zu berücksichtigen sind. Eine bruteforce Methode, um die beste Lösung zu finden, könnte funktionieren, ist aber für grössere Systeme nicht praktikabel. Daher transformieren wir es in eine handhabbarere Form, die schnellere Lösungen ermöglicht.

#Deep Q Network Ansatz

In unserem Vorschlag nutzen wir ein Deep Q Network (DQN), um Entscheidungen über die Ressourcenverteilung zu treffen. Das DQN lernt aus seinen Erfahrungen und trifft die besten Entscheidungen basierend auf dem aktuellen Zustand des Systems. Das erlaubt eine effektivere Ressourcenverwaltung.

Durch die Nutzung von DQN können wir verschiedene Zustände des Netzwerks betrachten und entscheiden, welche Aktion zu den besten Ergebnissen führt. Das DQN gibt Feedback basierend auf den getroffenen Entscheidungen, was es ermöglicht, seine Wahl im Laufe der Zeit zu verfeinern.

#Simulationsergebnisse

Um zu zeigen, wie gut unser Setup funktioniert, haben wir mehrere Tests durchgeführt. Das UAV startet und endet an einem bestimmten Punkt, während es Aufgaben von zwei IoT-Geräten verwaltet. Jeder Test betrachtet verschiedene Ankunftsraten der Daten und misst die PDE, Kommunikationsverzögerungen und wie viel Daten verarbeitet werden.

Durch diese Simulationen haben wir unsere DQN-Methode mit drei anderen Ansätzen verglichen: zufällige Aufgabenverteilungen, eine feste Methode, bei der alle Aufgaben auf dem UAV verarbeitet werden, und eine andere, bei der alle Aufgaben an die Cloud gehen. Die Ergebnisse zeigen, dass unser DQN-Ansatz in Bezug auf die Effizienz am besten abschneidet.

#Fazit

Diese Studie untersucht, wie man das Gleichgewicht zwischen Datenverarbeitung und Kommunikationsverzögerungen in einem UAV-unterstützten MEC-Netzwerk verbessern kann. Unsere Ergebnisse zeigen, dass die Optimierung der Ressourcen mit DQN zu einer insgesamt besseren Leistung führt. Obwohl es noch Herausforderungen bei den Kommunikationsverzögerungen gibt, heben die Verbesserungen in der Effizienz den Wert unserer vorgeschlagenen Methoden hervor.

Es gibt noch Raum für Verbesserungen im Algorithmus und dessen Anwendung in realen Szenarien. Zukünftige Arbeiten werden sich darauf konzentrieren, diese Prozesse weiter zu verfeinern, um noch grössere Effizienz zu gewährleisten. Insgesamt bietet unser Ansatz einen neuen Weg, die komplexen Interaktionen zwischen Geräten, Cloud-Diensten und UAVs effektiv zu verwalten.