Scarico Efficiente dei Compiti nelle Reti MEC Multi-UAV

Con l'avanzare della tecnologia, i dispositivi mobili stanno diventando sempre più potenti e si aspettano in grado di gestire compiti complessi come intelligenza artificiale e trattamento dei dati. Però, spesso questi dispositivi si trovano in difficoltà a causa della potenza di calcolo e della durata della batteria limitate, rallentando così le loro prestazioni. Per affrontare questo problema, possiamo usare il Mobile Edge Computing (MEC). Il MEC permette ai dispositivi mobili di delegare i loro compiti di calcolo a server vicini. In questo modo, i compiti possono essere completati più in fretta e si riduce il rischio di perdere dati importanti e sensibili al tempo.

Una sfida del MEC è che i server di solito hanno posizioni fisse e potrebbero non funzionare sempre bene, specialmente durante le emergenze. Una soluzione a questo problema è usare veicoli aerei senza pilota (UAV), conosciuti anche come Droni, che possono essere messi in campo rapidamente e senza troppi problemi. Questi UAV possono lavorare insieme e condividere il carico di lavoro per completare i compiti in modo efficiente.

La natura dei compiti nel MEC varia notevolmente, coprendo aree come l'analisi dei dati in tempo reale e l'elaborazione video. I diversi tipi di compiti richiedono servizi diversi. Quindi, è fondamentale che i sistemi MEC siano abbastanza flessibili per soddisfare diverse esigenze e adattarsi a varie situazioni. Questo documento si concentra sulla collaborazione tra più UAV per delegare compiti di diversi tipi minimizzando il Consumo Energetico.

#La Necessità di un Edge Computing Efficiente

Con l'avvento della tecnologia, i dispositivi mobili ora sono capaci di gestire compiti che richiedono una potenza di calcolo significativa. Tuttavia, questi dispositivi continuano a fronteggiare limitazioni in termini di risorse ed energia. Questo spinge il concetto di MEC, che consente ai dispositivi di inviare i loro compiti ai server edge per l'elaborazione. In questo modo, i compiti possono essere completati più rapidamente e l'esperienza dell'utente migliora.

Cambiamenti nell'ambiente, come disastri naturali, possono interrompere questi server. Pertanto, avere UAV che possono essere messi in campo per fornire servizi è un'opzione pratica. Gli UAV possono essere posizionati in modo flessibile e le loro caratteristiche cooperative consentono loro di lavorare insieme per soddisfare le esigenze di calcolo di più utenti.

Gli utenti generano compiti di vario tipo che richiedono servizi diversi. Questo significa che i sistemi MEC devono supportare un'ampia gamma di compiti e adattare le loro operazioni in base alle richieste degli utenti per garantire affidabilità. Man mano che le reti future continuano a crescere in complessità, gestire il consumo energetico in modo efficace diventa sempre più cruciale.

#Consumo Energetico nelle Reti MEC Assistite da UAV

Il consumo energetico è una preoccupazione fondamentale per qualsiasi sistema che utilizzi UAV per il MEC. Molti studi esistenti non considerano i diversi tipi di compiti degli utenti e le limitazioni della capacità di archiviazione degli UAV. È necessario includere questi fattori quando si analizza il consumo energetico per sviluppare strategie efficaci per la gestione delle risorse.

In questo studio, proponiamo una soluzione che utilizza più UAV in grado di collaborare su compiti in una gamma di servizi. L'obiettivo è minimizzare il consumo energetico mentre si delegano i compiti in modo efficiente. Questo approccio olistico tiene in considerazione vari fattori, come la programmazione dei compiti, come vengono distribuiti i servizi tra gli UAV, i loro percorsi di volo e le risorse disponibili.

#Principali Contributi dello Studio

1. Collaborazione tra Compiti di Diversi Tipi: Siamo i primi a considerare l'esecuzione congiunta di diversi tipi di compiti che richiedono servizi diversi in una rete MEC multi-UAV.
2. Problema di Minimizzazione dell'Energia: Definiamo un problema che mira a ridurre il consumo energetico integrando vari fattori, come la programmazione dei compiti e l'allocazione delle risorse.
3. Processo Decisionale di Markov (MDP): A causa della casualità nella generazione dei compiti e delle condizioni di comunicazione fluttuanti, abbiamo definito la sfida come un MDP, che ci consente di massimizzare i premi nel tempo.
4. Algoritmo SAC-TORA: Abbiamo sviluppato un algoritmo chiamato Soft Actor-Critic-Based Trajectory Optimization and Resource Allocation (SAC-TORA) per prendere le migliori decisioni in questo contesto.
5. Confronto delle Prestazioni: I nostri risultati numerici mostrano che SAC-TORA supera altri algoritmi consolidati in termini di consumo energetico, dimostrando la sua efficacia.

#Lavori Correlati

La ricerca relativa al nostro argomento può essere suddivisa in tre categorie: collaborazione tra server, posizionamento dei servizi sui server edge e caching dei dati nei sistemi MEC.

1. Collaborazione tra Server: Molti studi esplorano sforzi coordinati tra server edge per migliorare la qualità del servizio. Ad esempio, sono stati proposti UAV come server che possono assistere nei calcoli e trasmettere compiti alle stazioni di terra.
2. Posizionamento dei Servizi: Alcuni studi indagano come posizionare efficacemente i servizi sui server edge per minimizzare i ritardi. Questo è particolarmente importante nelle reti MEC assistite da UAV, dove un corretto posizionamento del servizio può influenzare notevolmente il consumo energetico.
3. Caching dei Dati: Lavori recenti si sono concentrati sull'uso degli UAV per memorizzare contenuti e condividerli in modo efficiente con gli utenti, cercando di ridurre i tempi di recupero.

Nonostante i progressi in queste aree, c'è stata poca ricerca sulle sfide poste da compiti di utenti diversificati e le restrizioni di archiviazione degli UAV. Il nostro lavoro cerca di colmare questa lacuna esaminando come gestire in modo efficiente le risorse in una rete MEC multi-UAV.

#Modello di Sistema

Proponiamo un modello in cui più UAV collaborano per assistere gli utenti. Il sistema comprende utenti, UAV, tipi di compiti e slot temporali per l'elaborazione. Ogni UAV ha risorse di calcolo, memoria e archiviazione.

#Utenti e UAV

• Gli utenti generano compiti che necessitano di elaborazione all'interno di slot temporali specifici.
• Gli UAV funzionano come server edge per aiutare a elaborare questi compiti.

#Modello di Compito e Servizio

Ogni UAV può eseguire vari servizi, ma è necessario che siano soddisfatte certe condizioni per il dispiegamento dei servizi, come vincoli di memoria e archiviazione.

#Modello di Movimento UAV

Gli UAV possono muoversi per servire meglio gli utenti. Le loro posizioni dipendono da vari fattori, comprese le posizioni e le velocità precedenti. Devono essere mantenute distanze di sicurezza tra gli UAV per evitare collisioni.

#Modello di Comunicazione

I collegamenti di comunicazione tra utenti e UAV possono essere influenzati da ostacoli, motivo per cui utilizziamo un modello che considera queste condizioni.

#Modello di Calcolo

I compiti generati dagli utenti devono essere completati nello stesso slot temporale. Se un utente non riesce a completare un compito, può inviarlo a un UAV per l'elaborazione.

#Formulazione del Problema

L'obiettivo principale è minimizzare l'energia complessiva consumata nel sistema gestendo con attenzione vari parametri, come la programmazione dei compiti e le traiettorie degli UAV.

#Tecniche di Ottimizzazione

Traduciamo il nostro problema in un framework MDP, concentrandoci sulla massimizzazione dei premi attraverso attenta definizione degli stati e delle azioni per gestire le risorse in modo efficace.

#Algoritmo SAC-TORA

L'algoritmo SAC-TORA è la forza trainante della nostra soluzione, progettato per affrontare le complessità del nostro problema utilizzando tecniche di apprendimento profondo e rinforzo.

#Framework dell'Algoritmo

Il framework SAC-TORA consente l'implementazione di politiche ottimali. Raccoglie informazioni sugli stati dall'ambiente e intraprende azioni basate su tali informazioni per massimizzare le ricompense bilanciando esplorazione e sfruttamento.

#Formazione e Prestazioni

Le prestazioni di SAC-TORA vengono valutate rispetto a algoritmi consolidati come Proximal Policy Optimization (PPO) e Deep Deterministic Policy Gradient (DDPG).

#Risultati della Simulazione

L'efficacia dell'algoritmo SAC-TORA è verificata attraverso varie simulazioni, evidenziando i suoi vantaggi rispetto ad altri algoritmi in termini di consumo energetico.

#Valutazione del Consumo Energetico

Man mano che il numero di utenti aumenta, il consumo energetico cresce. Il nostro algoritmo mostra costantemente il minor consumo energetico, mentre il DDPG tende a portare al consumo più alto perché si basa su una politica deterministica.

#Confronto con Differenti Numeri di UAV

Il consumo energetico diminuisce con l'aumentare del numero di UAV che partecipano, consentendo una migliore distribuzione delle risorse di servizio.

#Prestazioni con Vario Tipo di Compiti

Le tendenze del consumo energetico aumentano con l'incremento del numero di tipi di compiti, in quanto gli UAV potrebbero non gestire efficacemente tutti i compiti nei limiti dati.

#Analisi dell'Impatto delle Risorse

Un aumento delle risorse di memoria e archiviazione porta a una diminuzione del consumo energetico in generale, poiché è possibile ospitare più servizi sugli UAV senza delegare.

#Effetti della Dimensione del Compito e della Larghezza di Banda

Una larghezza di banda più ampia porta a un consumo energetico inferiore, mentre dimensioni di compito maggiori aumentano il consumo energetico.

#Conclusione

In conclusione, questo documento presenta uno schema di delega di compiti collaborativi per reti MEC abilitate da multi-UAV. Ottimizzando l'allocazione delle risorse, la programmazione dei compiti, il posizionamento dei servizi e le traiettorie degli UAV, puntiamo a ridurre il consumo energetico. Il framework SAC-TORA proposto si è dimostrato efficace nel raggiungere questo obiettivo, portando a significativi risparmi energetici rispetto ai metodi tradizionali. I lavori futuri esploreranno l'integrazione di meccanismi di caching per migliorare ulteriormente la fornitura di servizi agli utenti.