优化计算卸载的深度学习方法在6G物联网中的应用：卫星-无人机服务：

关于6G时代通信相关技术的讨论

论文链接：https://ieeexplore.ieee.org/document/9520341

---

在6G时代中，如何通过卫星和无人机提供边缘计算和云计算服务，以满足远程地区的物联网设备的需求，替代当前5G蜂窝基站，并满足偏远地区物联网设备应用需求。本文提出了一种基于深度学习的计算卸载策略优化方法，利用长短期记忆（LSTM）模型预测未来的能量收集情况，并根据能量动态和通信条件优化任务的成功率。提出了空中-地面-空中一体化网络（SAGINs）、能量收集和人工智能技术在6G物联网中的重要性

相关内容：

四个前景技术：太赫兹波段的利用、能量收集、边缘计算、机器学习

• 太赫兹波段的利用：通过将使用的频谱从毫米波提高到太赫兹范围，以进一步提高数据速率。
• 能量收集：构建一个以环境能源为动力的可持续通信系统，是偏远地区实现6G网络通信的关键技术之一。
• 边缘计算：通过边缘计算可以补充物联网设备附近的计算和缓存资源，并以接近实时的方式提供服务。边缘服务器还可以帮助执行小型或不太紧急的任务，这可以节省物联网设备的能源。
• 机器学习：通过机器学习可以预测复杂环境下的传输信号和收获过程、可以映射多个网络因素之间的复杂关系，可以帮助运营商减少人为干预，实现自动化管理。

---

系统模型与问题表述：

一、系统模型：

• 空间-空气-地面综合网络(SAGINs)-对比卫星服务的局限性
  沿长传输路径的严重信号衰减需要较大的发射功率，而动态信道条件影响服务稳定性。此外，6G物联网所需的服务感知和智能将产生更多的计算开销，这对资源受限的物联网设备提出了挑战。尽管卫星可以帮助将生成的任务卸载到云服务器上，但对于许多未来的6G物联网服务来说，总往返延迟是不可接受的。根据卫星服务物联网的发展与局限性，提出的通信架构，是6G异构服务的范例。
• 卫星-空间层
  提供的连续链接服务，将任务卸载到基于无人机的边缘服务器或远程云服务器。
• 无人机-空气层
  物联网设备和无人机之间的连接使用太赫兹频段。由于严重的衰减，无人机需要定期在预定轨迹上飞行，并在固定时间内在多个位置悬停，它提供离散链接服务，为覆盖的这些物联网设备提供通信和不同计算服务。
• 地面物联网设备-地面层
  地面物联网终端在无人机提供计算辅助的固定时段产生不同的任务，任务需要获得在一定时间内处理后的结果。为了减轻物联网设备的计算开销，无人机通过边缘服务器启用，而卫星通过地面站连接到云服务器。

这里的俩条链路卫星-物联网链路和无人机-物联网链路的传输速率，分别记为Rs,d和Ru,d。利用自由空间路径损耗模型。得到路径损耗的值，就可以计算接收功率，然后利用接收功率求出两条链路的传输速率Rs,d和Ru,d。

计算卸载过程：

不同的物联网设备生成的任务需要不同的计算周期，具有不同的延迟容忍度，任务生成后需要提供给无人机必要的计算周期、延迟要求、本地计算资源和最近的能量记录。无人机首先估计本地、边缘、云三种服务器上执行任务的延迟。然后根据最近的能量记录计算每个计算策略的可用能量和所需能量。最后无人机需要根据估计的延迟和能量选择计算策略来优化系统性能。
这里计算延迟的过程为：云服务器为每个任务提供固定的计算资源，以并行的方式执行，计算延迟取决于所需的周期。边缘服务器根据先进先出规则执行卸载任务。本地服务器的计算延迟同云服务器相同取决于任务所需的周期

二、问题表述：

研究目标：在考虑物联网设备的能量和延迟约束的情况下，最大限度地完成计算任务

• 根据目标确定以下目标任务可以用公式表示：

I1,1+I1,2+I1,3+I1,4+···+I1,n+I2,1+I2,2+I2,3+···+I2,n+···+In,n=MAX

Ii,j表示物联网设备i生成的任务j是否成功完成任务在规定的时间内完成时Ii,j=1，否则Ii,j=0

• 问题表述
  当计算开销不是很大时，由于卫星通信消耗更多的能量，物联网设备可能会将尽可能多的任务卸载给边缘服务器，而忽略可用的云服务器。然而，基于无人机的边缘服务器通常计算能力有限，上传的任务可能无法得到及时处理，导致通信过程中浪费能量。
  为了解决这个问题，引入了基于人工智能的计算卸载方案。

---

基于人工智能的计算卸载过程：

本篇论文要点：引入机器学习模型对收获功率进行预测选择更合适的计算方案

无人机根据每个物联网设备的可用能量、通信条件和可用计算资源来设计卸载策略，以最大程度地完成计算任务。由于物联网设备通信条件是固定的，任务上传过程的能量成本只取决于任务大小。服务器采用深度学习模型LSTM模型对每个覆盖的物联网设备来预测收获功率，并带有历史轨迹。通过预测的结果，无人机对此计算可用能量，并选择卸载策略，如果可用能量不足无法满足延迟要求则丢弃。

如图所示，采用深度学习模型来预测收获功率。需要注意的是，图中所示的深度神经网络(DNN)只是代表了一个通用的深度学习模型，可以被任何其他AI模型!相应地取代。

---

性能分析

为了更清楚地说明性能，这里分析三种卸载策略随机卸载策略、贪婪卸载策略和基于ai的卸载策略

• 随机卸载策略:如果可用能量足够，物联网设备随机将任务上传到无人机或卫星。
• 贪婪卸载策略:边缘计算资源不足，物联网设备才会转向基于卫星的远程云计算。
• ai卸载策略:通过模型预测做出最优的选择。通过预测可以决定是放弃任务还是将任务上传到无人机或卫星上。

通过以上三种卸载策略可以获得如下仿真结果：

仿真结果分析：

从任务成功率和系统运算率两方面说明基于ai的卸载测率对系统性能的提升。三种策略的任务成功率都在90%以上，所有的任务都能及时成功完成。当任务生成率增加时，任务成功率降低，而三种策略的系统计算率的增加趋势趋于缓慢，这意味着能量不足以支持不断增加的通信和计算开销。另外从任务份额分配图可以看出无人机上配备的边缘服务器处理了大部分任务。

本文章用于学习论文知识分享，不做任何其他用途，仅仅作为个人学习记录，欢迎博友们指导学习。