Joint Deployment and Task Scheduling Optimization for Large-Scale Mobile Users in Multi-UAV-Enabled Mobile Edge Computing论文阅读笔记
- Background
- Contributions
- [System Model and Problem Formulation](#System Model and Problem Formulation)
-
- [Local Execution Model](#Local Execution Model)
- [MEC Execution Model](#MEC Execution Model)
- [UAV Hover Model](#UAV Hover Model)
- [Proposed Approach](#Proposed Approach)
- [Experimental Study](#Experimental Study)
-
- Settings
- [Effectiveness of Two-Layer Optimization](#Effectiveness of Two-Layer Optimization)
- [Effectiveness of Upper-Layer Optimization](#Effectiveness of Upper-Layer Optimization)
- [Effectiveness of Lower-Layer Optimization](#Effectiveness of Lower-Layer Optimization)
- [Effectiveness of Our Multi-UAV-Enabled MEC System](#Effectiveness of Our Multi-UAV-Enabled MEC System)
- mind
Background
在移动边缘计算中,用户常常将会产生大量对计算能力和时延要求高的任务,这些任务通过卸载到边缘服务器上,能够迅速完成计算从而满足用户QoS。对于普通的MEC服务器来说,它们的位置总是固定的,无法根据移动用户的需要进行灵活改变,这限制了MEC的能力。近年来,无人机在通信领受到了广泛的关注。将无人机作为可移动的边缘服务器,不仅能够提供更好的通信链路(LoS),而且能够灵活进行部署,从而缩短通信的距离。所以,本文讨论了多个无人机使能的MEC系统,在这个系统中,多个无人机被部署服务大规模的移动用户。无人机作为可移动边缘服务器,提供着任务卸载的服务,那么本文将着重探讨联合无人机部署和任务调用优化问题。
本文的创新点有以下几个:
- 考虑多个UAV使能的MEC系统,多个无人机用于服务大规模的移动用户。
- 联合优化无人机部署和任务调度问题。
- 提出两层架构算法,算法简化了决策变量空间,通过计算推导保证了计算时间复杂度和运行时间,适用于大规模的移动用户。
Contributions
本文的贡献为以下五点:
- 在大规模移动用户场景中构建了多无人机使能的移动边缘计算系统,无人机充当MEC服务器。
- 提出两层优化方法ToDeTaS,用于解决无人机部署和任务调度联合优化问题,最小化系统的能量消耗。优化四个方面:无人机的部署数量、无人机的部署位置、卸载决策变量、资源分配变量。
- 在算法的上层,使用带有消除算子( elimination operator)的差分进化(differential evolution, DE)算法来优化UAV部署问题。将UAV的位置编码进一个个体(individual)中,整个UAV的部署就是种群(population)。为了最小化系统的能量消耗,首先确定UAV的最大数量,接着逐渐减小消除算子的数量如果所有的任务都可以完成。UAV的数量根据消除算子自适应调整,UAV的部署位置根据DE算法进行优化。
- 确定了UAV的部署后,那么下层的算法主要解决任务调度的问题。通过分析该问题能够转化为一个0-1整数规划问题。为了减少大规模0-1整数规划问题的计算时间,本文提出一种贪心算法来求得近似解。
- 扩展实验从移动用户数100增加至1000,实验结果有效证明了提出ToDeTaS的有效性和多UAV-enabled系统的有效性。
System Model and Problem Formulation
系统模型如上图所示,共有M个移动用户,N个无人机,每个无人机能够服务通信范围内的用户。假设每个用户产生一个待执行的任务U,任务U=(C,D),其中C为计算所需CPU频率,D为用户输入的数据量。系统中移动用户的数量M、移动用户的位置(x,y,0)、任务的CPU频率C、任务的数据量D都是已知的,而无人机数量N、无人机位置(X,Y,H)是未知的。其中高度H是固定已知的。
由于联合优化问题的目标是最小化能量消耗,所以需要考虑无人机在计算执行、悬停情况下的能耗。将系统分为三个模型:(1)本地执行 (2)MEC 执行 (3)悬停
Local Execution Model
本地执行,时间为
能量消耗为
MEC Execution Model
若是卸载到无人机上,任务首先得从移动用户传输到UAV上,然后在UAV上进行计算。定义 a i , k a_{i,k} ai,k为卸载决策,即移动用户i的任务是否卸载到UAV k上(k=0表示本地执行)。若 a i , k = 1 a_{i,k}=1 ai,k=1,则移动用户i的任务卸载到UAV k上,否则不然。定义 f i , k f_{i,k} fi,k为资源分配决策,即UAV k分配给用户i的任务的CPU频率。
首先,用户需要在UAV的通信范围之内:
其次,两个UAV之间的距离不能过近,否则会产生冲突:
再者,每个UAV的资源是有限的,所以这里假设UAV最多能够执行 n m a x n_{max} nmax个任务【疑问:资源的分配通过任务执行数来界定有一定偏颇,若任务种类相似可以这样定义,若任务种类不相似,任务大小的方差太大,对于资源的分配利用并非高效的】
MEC上执行时间分为两部分:卸载传输时间和卸载计算时间
上式为传输速率,下式为总的执行时间
MEC上的能量消耗为
UAV Hover Model
悬停的时间为T,悬停的能耗为
对于整个系统,优化目标为最小化能耗,那么优化问题建模为
优化目标:根据决策变量a得到计算卸载的总能耗,无人机悬停也需要能耗。
C1: 通信范围约束,移动用户i不能超出无人机j(k)的服务范围
C2: 无人机通信干扰约束,无人机之间需要保持最小冲突距离
C3: 资源分配约束,无人机可计算任务的数量有限
C4: 卸载决策约束,对于移动用户i产生的任务,只能卸载到一个无人机上(二进制卸载)
C5、C6: 联合资源分配与任务卸载约束,可卸载才分配资源,否则不分配
C7、C8: 时间约束,任务必须在无人机悬停时间内计算完毕
Proposed Approach
Motivation
分析可知,该问题是一个非凸的非线性优化问题,考虑使用启发式搜索算法------进化算法求解。
通过分析可知:
(1)需要进行优化的变量有2(N+M)+1个
UAV的数量(1个)、UAV的位置信息(2N)个、卸载决策变量(M个)、资源分配决策变量(M个)
而对于大规模的移动用户场景来说,这是一个相当大的优化决策变量数量。
(2)优化变量的类型不同
离散变量:UAV的数量、卸载决策变量
连续变量:UAV的位置信息、资源分配决策变量
(3)UAV部署和任务调度是耦合的优化问题,确定了UAV的部署能够通过任务调度评价部署的好坏;而确定了任务调度能够反馈UAV向能耗更少的方向部署。
因此,本文提出了ToDeTaS算法,将优化问题进行解耦,分为两层,进行交替优化。上层负责优化UAV的部署,下层负责优化任务调度。在上层中,通过编码方式将优化变量转化为2N个;在下层中,通过严密计算能够求出最优资源分配决策变量,从而使得优化变量只剩下卸载决策变量。所以,在上层中,只有连续变量;在下层中,只有离散变量,不存在混合变量。
ToDeTas
算法的整体流程如下:
在上层中,UAV的部署问题是一个可变长度的优化问题,在进化算法中引入一种新的编码机制,使得每个individual都有固定长度(2维,位置的x坐标和y坐标)
算法2,3,4用于优化UAV的部署:
上层优化中,通过证明分析可知,在满足所有任务执行完成与时延约束的条件下,UAV的数量越少越好。
在下层优化中,由于前面已经计算出UAV的部署,那么下层的优化问题可以表述为:
根据约束C7、C8可知:
而总的优化目标要尽可能减少能耗,所以资源分配决策的最优解可以求出:
那么优化子问题变成了:
所以下层的优化变量只有卸载决策变量,该问题退化为一个0-1整数规划问题。常见的求解该类问题的方法有 branch-and-bound algorithm,但是当计算规模增大时是十分耗时的。因此下层采用了贪心算法求解次优解。
任务分为三种:
(1)只能在本地执行的;
(2)只能卸载到UAV的;
(3)既可以在本地又可以在UAV上执行的。
对三类任务划分优先级:第一类优先级最高,因为本地耗能少;第二类优先级次之,因为有助于尽可能多完成任务,第三类最后。
算法5 优化任务调度:
Experimental Study
Settings
Effectiveness of Two-Layer Optimization
对比算法:
DE-VND 一种单层优化算法(对原文方法稍作修改,设置相同的参数)
ToDE-VND DE-VND 的两层版本,任务调度层与ToDeTaS相同
Effectiveness of Upper-Layer Optimization
对比算法:
ToDE-VND (下层与ToDeTaS相同)
ToDeTaS
Effectiveness of Lower-Layer Optimization
对比算法:
ToDeTaS-BB (上层与ToDeTaS相同,下层采用 branch-and-bound algorithm)
ToDeTaS
Effectiveness of Our Multi-UAV-Enabled MEC System
对比算法:
ToDeTaS-L (只能本地执行)
ToDeTaS-M (只能UAV执行)
ToDeTaS
ToDeTaS-M的平均任务完成数量与ToDeTaS相近,查看所需的UAV数量
图中可知ToDeTaS用的更少。
mind
- 虽然优化问题的形式为单目标优化,但是给人感觉像是多目标优化(UAV数量最少、任务完成率最高、能耗最少)
- 问题建模非时隙性,作者认为,对于动态变化的环境需要重新优化,感觉不太智能
references:
[1]Y. Wang, Z. -Y. Ru, K. Wang and P. -Q. Huang, "Joint Deployment and Task Scheduling Optimization for Large-Scale Mobile Users in Multi-UAV-Enabled Mobile Edge Computing," in IEEE Transactions on Cybernetics, vol. 50, no. 9, pp. 3984-3997, Sept. 2020, doi: 10.1109/TCYB.2019.2935466.