基于非正交多址的空中基站MEC資源分配技術

翟道森 姜葉 李歡

摘 要：無人機由于具有高機動性、靈活性以及低成本等優(yōu)勢，在移動邊緣計算（MEC）網絡中發(fā)揮了重要的作用。但仍存在不少需要應對的挑戰(zhàn)，例如，如何設計無人機部署方案及如何利用無人機有限的計算和通信資源等挑戰(zhàn)。針對旋翼無人機周期移動輔助MEC網絡下的用戶能耗問題，考慮無人機的周期性飛行，對其飛行軌跡進行數學建模，優(yōu)化用戶的總功耗，并基于非正交多址技術提出一種無人機移動部署MEC資源分配與無人機軌跡優(yōu)化算法。該算法應用連續(xù)凸逼近優(yōu)化無人機計算資源的分配及用戶的發(fā)射功率，通過塊坐標下降法和迭代法優(yōu)化得到無人機最佳飛行軌跡。仿真結果表明與無人機的靜態(tài)部署、圓形軌跡部署相比，所提算法能有效降低用戶的總功耗。

關鍵詞：移動邊緣計算； 無人機部署； 用戶能耗； 資源分配； 軌跡規(guī)劃

中圖分類號：TN92 文獻標識碼：A DOI：10.19452/j.issn1007-5453.2023.08.010

基金項目： 航空科學基金（ 2020Z073053004）

近年來，由于無人機具有靈活、便于部署、成本低等優(yōu)點，研究者們逐漸開始關注使用無人機來輔助無線通信網絡的應用場景[1-3]。與此同時，由于物聯(lián)網設備產生的數據呈爆炸式增長，傳統(tǒng)的云計算方案已無法滿足物聯(lián)網用戶對低延遲、低成本計算服務的需求[4-6]。因此，有學者提出使用移動邊緣計算（MEC）技術將計算資源下沉到用戶端來解決上述問題[7-9]。而將無人機應用到MEC網絡中[10-12]，可以進一步提高MEC網絡的服務質量，并為MEC網絡帶來靈活可靠的部署方案。盡管無人機輔助MEC網絡具有多種優(yōu)勢，有十分廣闊的應用前景，但目前還存在不少問題有待解決，如無人機的部署方案以及如何利用無人機有限的計算和通信資源都值得深入研究。目前有關MEC和無人機輔助MEC的研究主要包含以下三類：卸載策略選擇、能耗優(yōu)化和部署方案與軌跡優(yōu)化。

物聯(lián)網設備受到其電池容量與計算能力的限制，無法完成自身所需的計算任務，所以需要將任務卸載到MEC服務器，進行協(xié)同邊緣計算。文獻[13]～[15]在物聯(lián)網系統(tǒng)中引入MEC技術，使用基站輔助物聯(lián)網用戶完成計算任務，同時還考慮到了使用移動運計算（MCC）技術，將基站無法完成的任務上傳到云端進行計算，使用MEC服務器提供更低延遲的計算服務，而MCC服務器能提供更強的計算能力。使用無人機來輔助MEC有很多種方式，可以將無人機作為地面物聯(lián)網設備到基站邊緣服務器的中繼節(jié)點，以此來提高通信質量與網絡覆蓋范圍。此外還有部分文獻考慮了無人機之間的任務卸載策略[16-19]，其中文獻[17]將用戶的計算任務卸載至無人機，無人機之間再尋找空閑無人機進行任務卸載，以此來降低任務的處理時延，并提出了一種基于深度強化學習的方法去求解該動態(tài)協(xié)調策略。

一般情況下，小型物聯(lián)網終端由于其較小的體積與靈活的部署方式，一般沒有十分可靠的供電系統(tǒng)支撐，其攜帶的能量是十分有限的，如果在處理任務過程中不考慮其能耗，可能會造成終端無法滿足續(xù)航要求。因此，在處理計算任務時，考慮物聯(lián)網設備的能耗問題非常關鍵。一般需要考慮到物聯(lián)網設備的能耗，也要兼顧UAV的能耗問題，其中文獻[20]通過聯(lián)合優(yōu)化無人機軌跡與計算資源分配，提出了一個最小化用戶最大能耗的優(yōu)化問題，并使用迭代的方法來求解該問題。而文獻[21]研究了一個使用旋翼無人機來完成物聯(lián)網場景下的數據采集即處理場景，通過對無人機的懸停與飛行能耗建模，獲得了一個在最小無人機能耗的情況下，物聯(lián)網設備的卸載策略以及無人機的飛行軌跡的次優(yōu)解。

在無人機輔助MEC網絡中，無人機借助其靈活性與高機動性，可以根據實際場景選擇不同的部署方案。使用旋翼無人機在空中懸停，可以作為一個穩(wěn)定的空中平臺來為地面用戶提供計算服務。文獻[22]研究了使用多個旋翼無人機對地面用戶提供MEC服務的場景，以能耗優(yōu)化為目標建立了問題模型，并使用差分進化算法對無人機的位置部署問題進行求解。而相比于旋翼無人機，固定翼無人機具有更快的飛行速度與更強的續(xù)航能力，使用固定翼無人機來輔助MEC網絡往往需要考慮其飛行軌跡，來為用戶提供更優(yōu)質的服務。其中文獻[23]研究了使用單個無人機輔助地面用戶計算的場景，對無人機的飛行軌跡進行了優(yōu)化，并使用波束賦形技術來與地面用戶通信。

無人機輔助MEC網絡目前仍面臨著嚴峻的挑戰(zhàn)，依然有很多內容可以深入研究。與目前已有的文獻不同，本文考慮了一個物聯(lián)網場景下，物聯(lián)網設備會按一定的速率持續(xù)產生數據，而產生的數據需要以部分卸載策略在本地或無人機進行計算。本文考慮單個無人機以周期移動部署的方式輔助地面物聯(lián)網用戶MEC的場景，以最小化物聯(lián)網用戶能耗為目標，聯(lián)合優(yōu)化用戶卸載比例、用戶發(fā)射功率、用戶本地計算頻率以及無人機飛行軌跡等問題。提出一種基于非正交多址的無人機移動部署MEC資源分配與無人機軌跡優(yōu)化算法，分析了最優(yōu)本地計算任務執(zhí)行策略，給出了最優(yōu)用戶本地計算頻率的閉式表達式，將該問題分解為聯(lián)合用戶卸載比例與發(fā)射功率優(yōu)化與無人機軌跡優(yōu)化兩個子問題進行求解。最后，仿真結果表明與無人機的靜態(tài)部署、圓形軌跡部署相比，該算法能有效降低用戶的總能耗。

1 系統(tǒng)模型

1.1 問題場景

物聯(lián)網場景下，一架無人機以周期T在空中飛行，無人機攜帶單天線與一個小型邊緣計算服務器，可以與地面的物聯(lián)網用戶通信并為其提供邊緣計算服務。地面的物聯(lián)網用戶依靠自身攜帶的電池來供電，其攜帶的處理器計算能力十分有限，無法滿足自身的計算需求，需要將任務卸載到無人機來進行邊緣計算。該無人機周期移動部署MEC系統(tǒng)場景如圖1所示。

算法1在運算過程中單位時間用戶總功耗與迭代次數的關系如圖2所示，可以看出，用戶單位時間總功耗隨著迭代次數逐漸減少，并趨于穩(wěn)定，證明了提出算法的收斂性，且在不同的T下，最大在迭代到第7次時達到穩(wěn)定點，說明該算法具有較快的收斂性。

不同T時，無人機的飛行軌跡如圖3所示，可以看到，隨著T的增加，無人機的飛行軌跡會更加貼近于每個用戶，以此來降低用戶發(fā)射功耗。同時，從圖4可以看出，隨著T的增加，單位時間用戶總功耗會逐漸減小，最終趨于穩(wěn)定，說明此時T已經達到了最優(yōu)值。此外，還對比了三種無人機的不同部署方案下單位時間用戶總能耗與周期T的關系?？梢灾庇^看出，固定位置部署方案的優(yōu)化效果與T無關，且其相比于無人機進行周期性飛行的情況，固定位置部署方式用戶能耗會更高。在T較小的情況下，圓形軌跡與本文所提優(yōu)化方案優(yōu)化效果較為相近，而隨著T的增加，本文所提算法會帶來較為明顯的優(yōu)化效果。

不同Dk時，無人機的飛行軌跡如圖5所示，可以看到，Dk= 1.8Mbps時無人機能貼合每一個用戶，但隨著Dk的增加，無人機未能將所有用戶服務到，這表明用戶的平均數據量應當被合理設置，并非越大越好。

同時，圖6展示單位時間物聯(lián)網用戶與數據量Dk的關系，在用戶數據量Dk增加時，三種部署方式下單位時間用戶總功耗均會增加，且本文所提算法明顯優(yōu)于其他兩種方案。

用戶處于不同位置下無人機的飛行軌跡如圖7所示，可以看到，用戶處于位置1時，無人機能在較短時間內服務到用戶，而當用戶間距離越來越稀疏時，所提算法下的無人機也能夠服務到用戶，但需更長時間。

單位時間物聯(lián)網用戶總功耗與用戶位置標準差的關系如圖8所示，圖中方案周期T均達到其最優(yōu)。從圖中可以看到，當用戶位置較為密集時，無人機固定位置部署方案與本文所提方案效果相近，但隨著用戶位置標準差逐漸增大，本文所提方案下用戶功耗增長速度明顯低于固定位置部署方案，圓形軌跡部署在用戶位置標準差較小時效果較差，但隨著用戶的分散，最終用戶功耗增長速度要低于固定位置部署方案。

4 結束語

本文考慮單無人機周期移動輔助地面互聯(lián)網用戶進行移動邊緣計算場景，提出一種基于NOMA的無人機移動部署MEC資源分配與無人機軌跡優(yōu)化算法。以最小化用戶功耗為目標建立優(yōu)化問題，對模型進行優(yōu)化與分析，將原有問題分解為兩個子問題，用SCA方法求解，最后通過迭代得到原問題的一個較好次優(yōu)解。試驗結果表明，與無人機的靜態(tài)部署、圓形軌跡部署相比，本文所提算法具有更好的收斂性和有效性，最大程度上降低了用戶總功耗。

參考文獻

[1]Mozaffari M， Saad W， Bennis M， et al. A tutorial on UAVs for wireless networks： Applications， challenges， and open problems[J]. IEEE Communications Surveys & Tutorials， 2019， 21（3）： 2334-2360.

[2]陳宇恒，陳進朝，陳雪聰.基于改進貪心算法的無人機集群協(xié)同任務分配[J].航空科學技術， 2022， 33（4）： 13-18. Chen Yuheng， Chen Jinchao， Chen Xuecong. Cooperative task allocation of UAV cluster based on improved greedy algorithm[J]. Aeronautical Science & Technology. 2022， 33（4）： 13-18.（in Chinese）

[3]楊玉騰，李治權，冷俊杰.基于任務需求的高速旋翼機多方案對比研究[J].航空科學技術， 2023， 34（5）： 7-13. Yang Yuteng， Li Zhiquan， Leng Junjie. Comparative study on multi-plan of high-speed rotorcraft based on mission require‐ments[J]. Aeronautical Science & Technology. 2023， 34（5）： 7-13. （in Chinese）

[4]Frustaci M， Pace P， Aloi G， et al. Evaluating critical security issues of the IoT world： Present and future challenges[J]. IEEE Internet of Things Journal， 2017， 5（4）： 2483-2495.

[5]Yadav E P， Mittal E A， Yadav H. IoT： Challenges and issues in indian perspective[C]. 2018 3rd International Conference on Internet of Things： Smart Innovation and Usages （IoT-SIU）. IEEE， 2018： 1-5.

[6]Condry M W， Nelson C B. Using smart edge IoT devices for safer， rapid response with industry IoT control operations[J]. Proceedings of the IEEE， 2016， 104（5）： 938-946.

[7]Shiraz M， Gani A， Khokhar R H， et al. A review on distributed application processing frameworks in smart mobile devices for mobile cloud computing[J]. IEEE Communications Surveys & Tutorials， 2012， 15（3）： 1294-131.

[8]Yao D， Yu C， Yang L T， et al. Using crowdsourcing to provide QoS for mobile cloud computing[J]. IEEE Transactions on Cloud Computing， 2015， 7（2）： 344-356.

[9]Yin Z， Yu F R， Bu S， et al. Joint cloud and wireless networks operations in mobile cloud computing environments with telecom operator cloud[J]. IEEE Transactions on Wireless Communications， 2015， 14（7）： 4020-4033.

[10]Si-Mohammed S， Ksentini A， Bouaziz M， et al. UAV mission optimization in 5G： On reducing MEC service relocation[C]. GLOBECOM 2020-2020 IEEE Global Communications Conference. IEEE， 2020： 1-6.

[11]Guo H， Liu J. UAV-enhanced intelligent offloading for Internet of Things at the edge[J]. IEEE Transactions on Industrial Informatics， 2019， 16（4）： 2737-2746.

[12]Zhang P， Wang C， Jiang C， et al. UAV-Assisted Sufyan F， Banerjee A. Computation offloading for distributed mobile edge computing network： A multi objective approach[J]. IEEE Access， 2020（8）： 149915-149930.

[13]Xue J， An Y. Joint task offloading and resource allocation for multi-task multi-server NOMA-MEC networks[J]. IEEE Access， 2021（9）： 16152-16163.

[14]Guo M， Li L， Guan Q. Energy-efficient and delay-guaranteed workload allocation in IoT edge-cloud computing systems[J]. IEEE Access， 2019（7）： 78685-78697.

[15]Ye Y， Wei W， Geng D， et al. Dynamic coordination in uav swarm assisted mec via decentralized deep reinforcement learning[C]. 2020 International Conference on Wireless Communications and Signal Processing （WCSP）. IEEE， 2020： 1064-1069.

[16]Seid A M， Boateng G O， Anokye S， et al. Collaborative computation offloading and resource allocation in multi-UAVassisted IoT networks： A deep reinforcement learning approach[J]. IEEE Internet of Things Journal， 2021， 8（15）： 12203-12218.

[17]Qi X， Chong J， Zhang Q， et al. Collaborative Computation Offloading in the Multi-UAV Fleeted Mobile Edge Computing Network via Connected Dominating Set[J]. IEEE Transactions on Vehicular Technology， 2022， 71（10）： 10832-10848.

[18]Jing D， Jian C， Min S. Cooperative task assignment for hetero‐ geneous multi-UAVs based on differential evolutionn algorithm[C]. 2009 IEEE International Conference on Intelligent Com‐puting and Intelligent Systems. IEEE， 2009.

[19]Diao X， Zheng J， Wu Y， et al. Joint trajectory design， task data， and computing resource allocations for NOMA-based and UAV-assisted mobile edge computing[J]. IEEE Access， 2019（7）： 117448-117459.

[20]Xiao H， Hu Z， Yang K， et al. An energy-aware joint routing and task allocation algorithm in MEC systems assisted by mul‐tiple UAVs[C]. 2020 International Wireless Communications and Mobile Computing （IWCMC）. IEEE， 2020： 1654-1659.

[21]Wang Y， Ru Z Y， Wang K， et al. Joint deployment and task scheduling optimization for large-scale mobile users in multiUAV-enabled mobile edge computing[J]. IEEE Transactions on Cybernetics， 2019， 50（9）： 3984-3997.

[22]Liu B， Wan Y， Zhou F， et al. Resource Allocation and Trajecto‐ry Design for MISO UAV Assisted MEC Networks[J]. IEEE Transactions on Vehicular Technology， 2022，15：301-315.

[23]Wu Q， Zeng Y， Zhang R. Joint trajectory and communication de‐sign for multi-UAV enabled wireless networks[J]. IEEE Transac‐tions on Wireless Communications， 2018， 17（3）： 2109-2121.

MEC Resource Allocation Technology for Aerial Base Station Based on NOMA

Zhai Daosen， Jiang Ye， Li Huan

Northwestern Polytechnical University， Xi’an， 710072， China

Abstract： UAV plays an important role in Mobile Edge Computing（MEC） network due to its high mobility， flexibility and low cost. However， there are still many challenges to face， such as how to design the deployment of UAV and how to utilize the limited computing and communication resources of UAV. Aiming at the problem of user energy consumption in the periodic mobile-assisted MEC network of UAV carried on rotary-wing， this paper considers the periodic flight of UAV and models the flight trajectory to optimize the total power consumption of users. Based on Non-Orthogonal Multiple Access（NOMA） technology， an MEC resource allocation and UAV trajectory optimization algorithm in mobile deployment is proposed. Successive Convex Approximation（SCA） is used to optimize the computing resources allocation and the transmitting power of users， and the optimal trajectory is obtained by block coordinate descent method and iteration method. The simulation results show that compared with static deployment and circular trajectory deployment of UAV， the algorithm proposed can effectively reduce the total power consumption of users.

Key Words： MEC； UAV deployment； user energy consumption； resource allocation； trajectory planning