在6G网络中，利用URLLC（基于URL的轻量级通信）和无人机（UAV）支持的中继技术来优化MEC（边缘计算）系统的性能

《IEEE Transactions on Reliability》：Facilitating URLLC vis-á-vis UAV-Enabled Relaying for MEC Systems in 6-G Networks

未来6G网络中无人机增强移动边缘计算系统（UAV-MEC）的优化方法研究，提出改进遗传算法（AGA）解决资源分配、三维定位及误码率约束下的任务完成时间最小化问题，验证AGA在降低时延、抑制信息泄露和提升URLLC可靠性方面的有效性。

　　

摘要：

未来的第六代（6-G）网络将实现超可靠和低延迟通信（URLLC），支持各种关键任务应用，例如移动边缘计算（MEC）系统，而这些系统在很大程度上无法通过固定通信基础设施得到支持。为了解决这个问题，无人机（UAV）最近受到了关注，因为与固定地面网络相比，无人机提供了理想的视距（LoS）通信，同时具备更高的灵活性和三维定位能力。在本文中，我们研究了利用无人机进行6-G网络中MEC系统的上行传输中继，并旨在在资源分配的限制下优化任务完成时间，这些限制包括无人机发射功率、无人机CPU频率、解码错误率、块长度、通信带宽、任务划分以及三维无人机定位。为了求解这个非凸优化问题，我们提出了三种不同的算法：连续凸近似（Successive Convex Approximations）、改进的遗传算法（AGA）和智能穷举搜索（Smart Exhaustive Search）。基于时间复杂度、执行时间和收敛性分析，我们选择了AGA来解决给定的优化问题。仿真结果表明，所提出的算法能够成功缩短任务完成时间，在无人机端进行功率分配以减少信息泄露和窃听，并实现三维无人机定位，其效果优于固定的基准子方法。最后，在三维无人机定位的条件下，AGA还能有效降低解码错误率，从而支持URLLC服务。

引言

随着物联网（IoT）的出现以及对第五代（5-G）和第六代（6-G）网络中新服务类型的需求，安全性和可靠性已成为这些网络的主要关注点。为此，在[1]中，作者利用蚁群优化（ACO）方法研究了6G IoT网络中的数据安全性。通过采用预大量（prelarge）概念，作者减少了评估过程中的多次数据库扫描，并保持了帕累托解以改进优化结果。近年来，移动运营商经历了从集中式计算向边缘计算的转变。因此，基站（BSs）处既有传统的固定边缘计算系统，也有移动边缘计算（MEC）系统。在这方面，[2]中的作者提出了基于数字孪生（DT）的物联网（IoV）框架，并研究了一个多用户卸载到边缘计算的系统，通过服务的响应时间来分析服务质量（QoS）。在这方面，作者结合了服务卸载（SOL）方法和深度强化学习来实现提出的DT支持的IoV。在这两种类型的边缘计算系统中，MEC作为一种合适的候选方案，旨在将计算能力带到网络边缘，它具有靠近地面用户和地理上灵活部署的两个显著特点[3]。因此，MEC为最终用户提供了更多的自由度，并能保持高质量的服务。