Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI

这篇具有很好参考价值的文章主要介绍了Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

目录

一、概述

二、个人总结

三、方法

1、系统建模

A.网络模型

B.上传过程的传输

C.上传过程的传输

D.计算模型

E.并行处理

2、问题表述和GBD方法

A.问题表述

B.可行性分析

C. GBD方法下的问题分解

四、总结


一、概述

翻译:面向民用飞机计算感知物联网应用的多层混合卸载-增强型Sagin

期刊:IEEE Journal on Selected Areas in Communications

doi:10.1109/JSAC.2022.3227031

链接:https://ieeexplore.ieee.org/document/9978924

二、个人总结

场景:CA使得物联网设备在偏远地区卸载其计算密集型任务成为可能。CA和卫星充当边缘服务器,卫星网络的地面站运行云计算。以最小化端到端时延和能耗的加权和为目标,联合考虑接入策略、发射功率、计算资源分配、卸载比例和时延容忍度,建立了部分计算卸载问题。一个很重要的点是既考虑了层间,又考虑了层内。过程:SAP向地面用户发送位置、计算资源等信息。用户通过G2A,G2S将计算需求和能力发给可见SAP。SAP之间通过星间链路和空空链路交换收集到的信息,实现层内层间的信息交换。方案:首先,利用广义benders分解法( GBD )将原问题分解为原始子问题和主问题,并利用并行连续凸近似( SCA )理论将多变量NP - hard主问题转化为问题。效果:本文算法在满足更严格的时延容忍度的情况下,能够在E2E时延和能耗之间达到最优折中。

三、方法

1、系统建模

A.网络模型

        图1展示了CAA - SAGIN中的多层混合卸载框架和任务卸载过程。研究的时间区间被划分为具有相同持续时间τ的T个TS,TS被一个集合t∈T = { 1,..,T }索引。假设网络拓扑在每个TS中是不变的,并且在不同的TS之间可能会发生变化。在没有蜂窝覆盖的偏远地区,地面上分布着U个物联网设备(用户),记为u∈U = { 1,..,U }。与SAP相比,物联网设备的速度要低得多。因此,用户和SAP之间的相对运动主要依赖于SAP的运动,这些设备可以被视为准静态的。它们间歇性地生成不同的计算密集型应用,生成任务的集合记为f∈F = { 1,..,F }。我们使用一个元组stf,bf,Tmaxf来表征任务f,其中stf是生成任务的用户,bf是输入数据包的数量,Tmaxf是完成任务的可容忍延迟。这些任务的延迟要求往往比较严格。也就是说,任务调度的过程是暂时的,而网络拓扑的变化相比较而言是缓慢的。因此,网络拓扑被认为在一个任务调度周期内是固定的[ 35 ]。

Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

图1 CAA - SAGIN中的多层混合卸载框架及任务卸载说明。

        由于物联网设备的计算能力有限,需要其他平台进行并行处理以保证延迟需求。令A和S分别表示飞机和卫星的数量,飞机和卫星的集合分别记为a∈A = { 1,..,A }和s∈S = { 1,..,S }。为了简单起见,令i∈I = A∪S表示所有SAP的集合.由于SN和AN分别工作在Ka和V波段,因此不存在层间干扰。当这些SAP在给定区域上空飞行时,它们将通过导频信道上的下行传输链路发送信号,从而公布它们的位置、通信和计算资源占用情况等必要信息。然后,这些SAP覆盖范围内的物联网设备将通过地-空( G2A )和地-空( G2S )链路将其计算需求和能力发送到其可见SAP。通过星间链路( ISLs )和空空( A2S )链路,SAPs之间可以交换各自收集到的信息,实现层内和层间的信息交互,构建计算感知系统。在本文中,具有计算单元的SAP是执行所提出的优化算法的实体。同时,它们可以作为边缘服务器平台,在星上处理计算密集型任务,并将处理结果返回给用户。由于信息交互过程中传输的数据量有限,因此上述过程的延迟可以忽略不计。

        生成应用后,用户选择CA或卫星作为边缘服务器。为了描述用户关联策略,我们引入一个二进制矩阵x = { xf ( u , i) | u∈U,i∈I,f∈F },其中xf ( u , i) = 1表示用户u = stf访问SAP i来完成任务f的处理。否则,xf ( u , i) = 0。每个任务被假设卸载到至多一个SAP。那么,我们有i∈I xf ( u , i)≤1,▽f∈F。多天线SAPs可以在一个TS中服务多个用户。

        当任务卸载到SN时,接入的具有转发能力的卫星也可以将其采集的部分数据卸载到GS上供CC使用。GS的集合记为g∈G = { 1,..,G }。在合理的GS选址下,GS与核心网的距离通常是有限的。由于GSs通过光速的高速有线链路连接到核心网,因此GSs到核心网的传输时延可以忽略不计。因此,到达GS的任务相当于传输到核心网。需要注意的是,核心网的处理能力是足够强大的。

        值得注意的是,CA网关几乎不在偏远地区建立,而且CA的通信范围比卫星小。因此,在这种情况下,CA与CA网关之间无法建立连接。由于不同CA的相对速度和飞行方向在不同TS之间快速且不断地变化,因此空空( A2A )链路作为ISL是不稳定的。通过A2S、ISL和空地( space-to-ground,S2G )链路同时向CA网关传输数据包也相当复杂。因此,当任务卸载到AN时,CA在其计算单元处理收集到的任务,而我们不考虑飞机直接或通过其他具有A2A链路的CA将数据卸载到CA网关的情况。

        用户还必须决定将多少数据包卸载到访问的SAP。设ρ={ρf∈[0,1]|f∈f}表示局部处理的任务f的比率。令Rp为每个数据包中的比特数。因此,用于本地计算的数据量的比特是ρf-bf-Rp,并且用户将yf(u,i)=(1−ρf)bf分组卸载到其相关联的SAP。定义y=yEC f(s)s∈s,f∈f为MEC在卫星s处处理的分组数的矩阵。设yCC f(g)表示针对CC被卸载到GS g的分组的数量,则yEC f(s)+yCC f(g)=yf(u,s)成立。当用户访问CA a时,yEC f(a)=yf(u,a)成立。

B.上传过程的传输

用户将任务卸载到不同SAP的流程如图2所示。

Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

图2 SAP网络中一个任务的卸载过程示意图,其中实线表示数据传输,虚线表示节点处处理的任务。

(1)用户 to SAP

【省略过程】最后用户u到SAPi的上行传输时间:Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

能耗:Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

(2)数据在卫星间转发

当任务卸载不在GS范围内的卫星s时,s需要通过星间链路将其数据转发到其他卫星,直到有一颗卫星可以看到GS。怎么找呢?最短路由法。假设在SN的上传过程中,通信量从最小的卫星数变为最大的卫星数。即卫星s = smin向用户采集数据,卫星smax向GS传输数据,s + 1 ~ smax - 1的其他卫星用于数据转发。具体来说,如果s对任意GS可见,则s = smax成立。

(3)卫星到地面站的下行链路

给出时延表达式:Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

能耗:Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

C.上传过程的传输

云端-->卫星max-->卫星max-1-->....-->卫星s-->用户

给出没部分的时延和能耗,不同的是令α为输出数据规模和输入数据规模的比值

D.计算模型

(1)本地计算

时延:Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

能耗:Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

(2)边缘计算(CA,卫星)

时延:Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

能耗:Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

(3)云计算

时延:由于GS拥有多核高速CPU,计算能力足够强大,因此GS的计算延迟可以忽略不计。
能耗:Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

E.并行处理

用户访问CA时,进行部分计算卸载。

在航天网络中的延迟为:Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

能耗为:

在地面网络的延迟和能耗。

2、问题表述和GBD方法

A.问题表述

Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI,论文,物联网,边缘计算

C1和C2表示用户关联变量是二进制的,每个用户最多可以将任务卸载到一个SAP。C3保证了非负用户的发射功率不能超过其最大值,并且当用户不与SAP关联时没有发射功率。C4保证用户到SAP链路的可达速率不低于门限值,C5意味着卸载的数据不超过容量。C6 ~ C8表示分配的计算资源结果非负且不能超过其计算能力。C9限制了MEC卸载到SN的数据包的范围。C10表示部分卸载策略。C11表示每个任务的E2E延迟不应超过其最大延迟容忍度。

B.可行性分析

就是讨论各个参数的上下界,证明这个方案是可行的。

C. GBD方法下的问题分解

大概就是把原问题分解为俩问题:主问题和子问题,然后各个击破。凸优化。

四、总结

本文以最小化时延和能耗的加权和为目标,研究了动态CAA - SAGIN中的多层计算卸载问题。为了充分利用不同平台的优势,我们考虑了本地-边缘-云的混合卸载方案,由于通信和计算资源的内部和相互耦合的相互作用,使得该问题更加全面和具有挑战性。为了克服原始MINLP问题复杂度高的问题,我们将其分解为两个子问题,即原始问题和主问题,在每次迭代中分别达到上界和下界。改进的并行SCA算法将NP - hard主问题转化为易于求解的凸问题。提出的MPTO算法获得了关联策略、发射功率、计算频率、任务划分和卸载比例的优化解。仿真结果验证了MPTO算法的收敛性和最优性。与SAGIN中现有的卸载算法相比,本文提出的MPTO算法在满足更严格的时延容忍度的情况下,能够在E2E时延和能耗之间达到最优折中。

该工作可视为CAA - SAGIN多层混合计算卸载的初步尝试。未来仍有大量工作值得追求。例如,当考虑具有处理能力的实体处的任务队列时,在保证任务队列稳定和实现优化目标的同时,安排不同优先级任务的处理顺序至关重要。文章来源地址https://www.toymoban.com/news/detail-857906.html

到了这里,关于Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGI的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 报错解决 one of the variables needed for gradient computation has been modified by an inplace operation

     one of the variables needed for gradient computation has been modified by an inplace operation: [torch.cuda.FloatTensor [16, 64, 256, 256]], which is output 0 of LeakyReluBackward1, is at version 1;  最近跑代码遇到了这样的一个问题,在网上找了很多方法都没有很好的解决,今天就在这个博客里面将所有的解决办法整

    2024年02月16日
    浏览(52)
  • 论文阅读 RRNet: A Hybrid Detector for Object Detection in Drone-captured Images

    Abstract 我们提出了一种名为RRNet的混合检测器,用于在城市场景无人机(UAVs)和无人机拍摄的图像中进行目标检测。在这种具有挑战性的任务中,目标通常呈现出各种不同的大小,并且非常密集。因此,我们将anchor free检测器与re-regression模块相结合。通过摒弃prior anchors,我们

    2024年02月14日
    浏览(44)
  • 【代码解读】RRNet: A Hybrid Detector for Object Detection in Drone-captured Images

    首先我们将代码从GitHub上下载下来:代码地址 找到程序的主入口train.py这个类,可以看到这个类比较简单,大部分是引用其他类。具体每一个类的定义可以从不同小节中查看 2.1 init函数 首先来看这个类的初始化函数 2.2 train函数 2.3 dist_training_process函数 来看一下 init_operator 函

    2024年02月14日
    浏览(40)
  • Knowledge Graph Prompting for Multi-Document Question Answering

    本文是LLM系列文章,针对《Knowledge Graph Prompting for Multi-Document Question Answering》的翻译。 大型语言模型的“预训练、提示、预测”范式在开放领域问答(OD-QA)中取得了显著的成功。然而,很少有工作在多文档问答(MD-QA)的场景中探索这种范式,这项任务需要彻底理解不同文

    2024年02月09日
    浏览(41)
  • Multi-Grade Deep Learning for Partial Differential Equations

    偏微分方程定义 一个偏微分方程可以定义如下: F ( u ( t , x ) ) = 0 , x ∈ Ω , t ∈ ( 0 , T ] , I ( u ( 0 , x ) ) = 0 , x ∈ Ω , t = 0 , B ( u ( t , x ) ) = 0 , x ∈ Γ , t ∈ ( 0 , T ] , begin{aligned}mathcal{F}(u(t,x))=0,xinOmega,tin(0,T],\\\\mathcal{I}(u(0,x))=0,xinOmega,t=0,\\\\mathcal{B}(u(t,x))=0,xinGamma,tin(0,T],end

    2024年02月07日
    浏览(47)
  • CORE: Cooperative Reconstruction for Multi-Agent Perception 论文阅读

    论文连接 CORE: Cooperative Reconstruction for Multi-Agent Perception 0. 摘要 本文提出了 CORE,一种概念简单、有效且通信高效的多智能体协作感知模型。 从合作重建的新颖角度解决了该任务: 合作主体共同提供对环境的更全面的观察 整体观察可以作为有价值的监督,明确指导模型学习如

    2024年02月07日
    浏览(45)
  • 【论文阅读22】Label prompt for multi-label text classification

    论文标题:Label prompt for multi-label text classification(基于提示学习的多标签文本分类) 发表时间:2023 领域:多标签文本分类 发表期刊:Applied Intelligence(SCI二区) 相关代码:无 数据集:无 多标签文本分类由于其实际应用而受到学者的广泛关注。多标签文本分类的关键挑战之

    2024年02月15日
    浏览(59)
  • Multi Diffusion: Fusing Diffusion Paths for Controlled Image Generation——【论文笔记】

    本文发表于ICML 2023 论文官网:MultiDiffusion: Fusing Diffusion Paths for Controlled Image Generation           文本到图像生成模型已经具有合成高质量和多样化图像的能力,但是由于难以为用户提供对生成内容的直观控制,因此将文本到图像模型部署到现实世界的应用程序仍然具有挑战

    2024年02月02日
    浏览(43)
  • PETR: Position Embedding Transformation for Multi-View 3D Object Detection

    PETR: Position Embedding Transformation for Multi-View 3D Object Detection 旷视 DETR3D 中 2D-3D过程 存在的问题: 预测的参考点坐标可能不准确,在采样图片特征时可能拿不到对应的特征。 只有参考点 投影位置的图像特征被使用,无法学到全局的特征。 采样图像特征的过程过于复杂,难于应用

    2024年02月16日
    浏览(52)
  • 【NLP】Label prompt for multi-label text classification论文阅读笔记

            写于来XXXX公司实习的最后一个月,预祝自己实习顺利结束~ Paper address: Label prompt for multi-label text classification | Applied Intelligence ( Applied Intelligence 2023)          在多标签分类任务中,在复杂且未知的标签空间中直接对标签之间的相关性进行建模是相当具有挑战性的。

    2024年02月02日
    浏览(51)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包