Chargement efficace des tâches dans les réseaux MEC multi-UAV

Alors que les appareils mobiles deviennent de plus en plus avancés, on s'attend à ce qu'ils réalisent des tâches complexes comme l'intelligence artificielle et le traitement des données. Cependant, ces appareils peinent souvent avec une puissance de calcul et une autonomie limitées, ce qui ralentit leur performance. Pour résoudre ce problème, on peut utiliser le Mobile Edge Computing (MEC). Le MEC permet aux appareils mobiles de transférer leurs tâches de calcul vers des serveurs proches. De cette façon, les tâches peuvent être réalisées plus rapidement et le risque de perdre des données importantes et sensibles au temps est réduit.

Un défi du MEC est que les serveurs ont généralement des emplacements fixes et peuvent ne pas toujours bien fonctionner, surtout en cas d'urgence. Une solution à ce problème est d'utiliser des véhicules aériens sans pilote (UAV), aussi connus sous le nom de Drones, qui peuvent être déployés rapidement et facilement. Ces UAV peuvent collaborer et partager la charge de travail pour accomplir les tâches efficacement.

La nature des tâches dans le MEC varie largement, couvrant des domaines comme l'analyse de données en temps réel et le traitement vidéo. Différents types de tâches nécessitent différents services. Donc, il est essentiel que les systèmes MEC soient suffisamment flexibles pour répondre à divers besoins et s'adapter à différentes situations. Cet article se concentre sur la collaboration entre plusieurs UAV pour délester des tâches de différents types tout en minimisant la Consommation d'énergie.

#Le besoin d'un edge computing efficace

Avec l'essor de la technologie, les appareils mobiles sont désormais capables de gérer des tâches nécessitant une puissance de calcul significative. Cependant, ces appareils font encore face à des limitations en termes de ressources et d'énergie. Cela motive le concept de MEC, qui permet aux appareils d'envoyer leurs tâches à des serveurs de périphérie pour traitement. En faisant cela, les tâches peuvent être réalisées plus rapidement, et l'expérience utilisateur s'améliore.

Les changements dans l'environnement, comme les catastrophes naturelles, peuvent perturber ces serveurs. Par conséquent, avoir des UAV qui peuvent être déployés pour fournir des services est une option pratique. Les UAV peuvent être positionnés de manière flexible, et leurs caractéristiques coopératives leur permettent de travailler ensemble pour répondre aux besoins informatiques de plusieurs utilisateurs.

Les utilisateurs génèrent des types de tâches variés qui nécessitent différents services. Cela signifie que les systèmes MEC doivent prendre en charge un large éventail de tâches et adapter leurs opérations en fonction des demandes des utilisateurs pour garantir la fiabilité. À mesure que les réseaux futurs continuent de croître en complexité, gérer efficacement la consommation d'énergie devient de plus en plus crucial.

#Consommation d'énergie dans les réseaux MEC assistés par UAV

La consommation d'énergie est un enjeu vital pour tout système utilisant des UAV pour le MEC. De nombreuses études existantes ne prennent pas en compte les différents types de tâches des utilisateurs et les limitations de capacité de stockage des UAV. Il est nécessaire d'inclure ces facteurs lors de l'analyse de la consommation d'énergie pour développer des stratégies efficaces de gestion des ressources.

Dans cette étude, nous proposons une solution qui utilise plusieurs UAV capables de collaborer sur des tâches couvrant une gamme de services. L'accent est mis sur la minimisation de l'utilisation d'énergie tout en transférant efficacement les tâches. Cette approche holistique considère divers facteurs, comme la Planification des tâches, la répartition des services entre les UAV, leurs trajectoires de vol, et les ressources disponibles qu'ils ont.

#Contributions principales de l'étude

1. Collaboration multi-type de tâches : Nous sommes les premiers à considérer l'exécution conjointe de plusieurs types de tâches nécessitant différents services dans un réseau MEC multi-UAV.
2. Problème de minimisation de l'énergie : Nous définissons un problème qui cherche à réduire la consommation d'énergie en intégrant divers facteurs tels que la planification des tâches et l'allocation des ressources.
3. Processus de décision de Markov (MDP) : En raison du caractère aléatoire de la génération des tâches et des conditions de communication fluctuantes, nous avons défini le défi comme un MDP, ce qui nous permet de maximiser les récompenses dans le temps.
4. Algorithme SAC-TORA : Nous avons développé un algorithme appelé Soft Actor-Critic-Based Trajectory Optimization and Resource Allocation (SAC-TORA) pour prendre les meilleures décisions dans ce contexte.
5. Comparaison de performance : Nos résultats numériques montrent que SAC-TORA surpasse d'autres algorithmes établis en matière de consommation d'énergie, démontrant son efficacité.

#Travaux liés

La recherche liée à notre sujet peut être regroupée en trois catégories : collaboration entre serveurs, placement de services sur les serveurs de périphérie, et mise en cache de données dans les systèmes MEC.

1. Collaboration entre serveurs : De nombreuses études explorent des efforts coordonnés entre les serveurs de périphérie pour améliorer la qualité de service. Par exemple, des UAV ont été proposés comme serveurs qui peuvent aider dans le calcul et relayer des tâches aux stations au sol.
2. Placement de services : Certaines études examinent comment placer efficacement les services sur les serveurs de périphérie pour minimiser les délais. C'est particulièrement important dans les réseaux MEC assistés par UAV, où un bon placement de service peut avoir un impact significatif sur la consommation d'énergie.
3. Mise en cache de données : Des travaux récents se sont concentrés sur l'utilisation des UAV pour mettre en cache du contenu et le partager efficacement avec les utilisateurs, dans le but de réduire les temps de récupération.

Malgré les avancées dans ces domaines, il y a eu peu de recherche sur les défis posés par les tâches utilisateurs diversifiées et les contraintes de stockage des UAV. Notre travail tente de combler cette lacune en examinant comment gérer efficacement les ressources dans un réseau MEC multi-UAV.

#Modèle système

Nous proposons un modèle où plusieurs UAV coopèrent pour assister les utilisateurs. Le système comprend des utilisateurs, des UAV, des types de tâches, et des créneaux horaires pour le traitement. Chaque UAV a des ressources de calcul, de mémoire, et de stockage.

#Utilisateurs et UAV

• Les utilisateurs génèrent des tâches qui doivent être traitées dans des créneaux horaires spécifiques.
• Les UAV fonctionnent comme des serveurs de périphérie pour aider à traiter ces tâches.

#Modèle de tâche et de service

Chaque UAV peut exécuter divers services, mais certaines exigences doivent être respectées pour le déploiement du service, telles que les contraintes de mémoire et de stockage.

#Modèle de mouvement des UAV

Les UAV peuvent se déplacer pour mieux servir les utilisateurs. Leur position dépend de plusieurs facteurs, y compris les emplacements précédents et les vitesses. Des distances de sécurité doivent être maintenues entre les UAV pour éviter les collisions.

#Modèle de communication

Les liens de communication entre les utilisateurs et les UAV peuvent être affectés par des obstacles, c'est pourquoi nous employons un modèle qui tient compte de ces conditions.

#Modèle de calcul

Les tâches générées par les utilisateurs doivent être complétées dans le même créneau horaire. Si un utilisateur ne peut pas compléter une tâche, il peut l'envoyer à un UAV pour traitement.

#Formulation du problème

L'objectif principal est de minimiser l'énergie globale consommée dans le système en gérant judicieusement divers paramètres comme la planification des tâches et les trajectoires des UAV.

#Techniques d'optimisation

Nous traduisons notre problème dans un cadre MDP, en nous concentrant sur la maximisation des récompenses grâce à des définitions minutieuses des états et des actions qui aident à gérer efficacement les ressources.

#Algorithme SAC-TORA

L'algorithme SAC-TORA est la force motrice derrière notre solution, conçu pour traiter les complexités de notre problème en utilisant des techniques d'apprentissage par renforcement profond.

#Cadre de l'algorithme

Le cadre SAC-TORA permet l'implémentation de politiques optimales. Il recueille les informations d'état de l'environnement et agit en fonction de ces informations pour maximiser les récompenses tout en équilibrant exploration et exploitation.

#Entraînement et performance

La performance de SAC-TORA est évaluée par rapport à des algorithmes établis comme Proximal Policy Optimization (PPO) et Deep Deterministic Policy Gradient (DDPG).

#Résultats de simulation

L'efficacité de l'algorithme SAC-TORA est vérifiée à travers diverses simulations, mettant en lumière ses avantages par rapport à d'autres algorithmes en termes de consommation d'énergie.

#Évaluation de la consommation d'énergie

À mesure que le nombre d'utilisateurs augmente, la consommation d'énergie augmente. Notre algorithme affiche systématiquement la plus faible consommation d'énergie, tandis que le DDPG entraîne généralement la consommation la plus élevée parce qu'il repose sur une politique déterministe.

#Comparaison avec différents nombres d'UAV

La consommation d'énergie diminue à mesure que davantage d'UAV participent, permettant une meilleure distribution des ressources de service.

#Performance avec différents types de tâches

La consommation d'énergie tendance à augmenter à mesure que le nombre de types de tâches augmente, car les UAV peuvent ne pas gérer efficacement toutes les tâches dans les limites données.

#Analyse de l'impact des ressources

Une augmentation des ressources de mémoire et de stockage entraîne une baisse de la consommation d'énergie dans l'ensemble, car davantage de services peuvent être hébergés sur les UAV sans déchargement.

#Effets de la taille des tâches et de la bande passante

Une bande passante plus large entraîne une consommation d'énergie plus faible, tandis que des tailles de tâches plus grandes augmentent la consommation d'énergie.

#Conclusion

En conclusion, cet article présente un schéma de déchargement de tâches collaboratif pour des réseaux MEC multi-UAV. En optimisant l'allocation des ressources, la planification des tâches, le placement des services et les trajectoires des UAV, nous visons à minimiser la consommation d'énergie. Le cadre proposé SAC-TORA s'avère efficace pour atteindre cet objectif, permettant des économies d'énergie substantielles par rapport aux méthodes traditionnelles. Les travaux futurs exploreront l'intégration de mécanismes de mise en cache pour améliorer encore la livraison des services aux utilisateurs.