在基于DT的RIS辅助UAV-USV多接入边缘计算网络中，用于双向USV计算任务的节能卸载技术

《Ad Hoc Networks》：Energy-efficient offloading for bidirectional USV computation tasks in DT-supported RIS-assisted UAV-USV MEC network

　　赵马|栾娟|廖扬哲 摘要 数字孪生技术与多接入边缘计算网络的结合为无人水面艇实现实用的双向数据计算提供了全新范式。若能引入由无人机携带的可重构智能表面装置来协助无人水面艇与地面基站之间的无线通信，这一前景将更加明朗，因为传统情况下，无人水面艇在复杂的內陆水道环境中往往面临严重的信号阻塞问题。本研究提出了一种基于数字孪生的边缘计算网络架构，利用无人机携带的可重构智能表面装置辅助数据传输，以支持无人水面艇的双向数据计算。为解决无人水面艇的能源消耗问题，我们构建了一个优化框架，该框架综合考虑了无人水面艇的双向计算任务执行决策、无人机悬停位置、数字孪生模型估算的无人水面艇计算能力以及传输功率等因素。此外，还提出了一种启发式解决方案，将问题分解为两个子问题：一是无人水面艇双向计算任务执行决策、计算能力及传输功率的联合优化，二是无人机悬停位置的优化。随后分别采用匈牙利融合差分进化算法和改进的粒子群优化算法来解决这两个子问题。实验结果表明，所提出的方案相比基准方法可有效降低约40%的无人水面艇能源消耗。同时，还研究了在满足最大允许延迟的前提下，无人水面艇任务能否成功执行。

引言 过去十年间，无人水面艇作为一种变革性技术，为內陆水道的无线通信带来了重大突破，推动了远程控制、智能导航等关键的应用场景的发展[1]。多接入边缘计算的广泛应用进一步加速了这些新服务的发展，通过将具备强大计算能力的边缘计算服务器与地面基站部署在同一位置，从而满足无人水面艇的数据处理需求[2]。尽管边缘计算带来了显著的计算优势，但由于內陆水道环境的动态特性，基站与无人水面艇之间的无线链路仍存在较高不可靠性，水面上的信号衰减常常导致传输质量严重下降。幸运的是，随着超表面技术和无人机通信技术的快速发展，网络性能可以得到进一步提升。具体而言，将可重构智能表面装置集成到无人机上，已被视为提升无线数据传输质量的可行方案[3]。因此，利用可重构智能表面装置辅助的无人机，有望实现无人水面艇与地面基站之间无缝的数据传输。然而，由于无人水面艇自身的能源预算、计算能力和传输功率有限，它们越来越难以满足任务执行的服务质量要求。此外，与传统单向数据计算模式不同，新兴的双向无人水面艇任务需要同时处理本地采集的传感器数据以及从互联网远程获取的数据[4]、[5]。这样一来，无人水面艇的双向数据计算就使得通信与计算约束相互关联，进一步增加了网络资源分配的复杂性。为应对这类高度耦合的约束，传统的资源分配方案仅依赖于静态的网络状态信息，在动态变化极大的內陆水道环境中显然不够适用。幸运的是，数字孪生技术为克服无线网络中的这类动态资源分配难题提供了新的解决方案[6]。在无人机辅助的边缘计算网络中应用数字孪生技术，已被视为满足动态资源需求的一种有效途径[7]。此外，数字孪生技术还能以极低的同步延迟构建物理实体的数字模型，其与边缘计算技术的结合能够实现对网络状态的实时监控，从而有助于可靠地卸载无人水面艇的双向计算任务，并加快资源分配决策的速度[8]。因此，数字孪生技术有望为可重构智能表面装置辅助的无人机-无人水面艇边缘计算系统中的智能资源分配提供新的框架。尽管数字孪生技术具有巨大的技术潜力，但要优化这类基于数字孪生的可重构智能表面装置辅助的无人机-无人水面艇边缘计算系统仍是一项极具挑战性的任务。尤其是如何在满足双向无人水面艇任务的严格要求的同时，最小化系统的能源消耗，仍是当前亟待解决的关键问题。

将可重构智能表面装置集成到无人机上，可通过无人机搭载的可重构智能表面装置在基站与无人水面艇之间建立可靠的视距链路，从而提升无人机-无人水面艇边缘计算网络的性能。在这一研究方向上，人们已经付出了大量努力来降低可重构智能表面装置辅助的边缘计算网络的能源消耗[9]指出，通过共同优化可重构智能表面装置的相位偏移、无人水面艇的传输功率、计算资源、无人机的飞行轨迹以及任务队列的稳定性，可以降低边缘计算网络的能源消耗。为了最大化网络能源效率[10]提出了一种可重构智能表面装置辅助的边缘计算网络架构，并通过共同优化无人机的飞行路径、边缘计算服务器的计算资源分配以及可重构智能表面装置的波束成形向量，来研究能源效率的最大化问题。实验结果表明，部署无人机搭载的可重构智能表面装置，可以通过将原本由能源有限的无人水面艇承担的能源负担转移到拥有充足资源的边缘计算服务器上，显著延长无人水面艇的运行时间[11]则提出了一种可重构智能表面装置辅助的无人机边缘计算网络，并通过协调优化任务卸载、基站的波束成形向量以及可重构智能表面装置的相位偏移向量，来研究无人水面艇的能源最小化问题。具体而言，作者们证明，通过使用带有缆绳的无人机，即从基站获取持续电力并维持稳定且高容量的有线回传链路的无人机，可以提升传统无人机的飞行续航能力。尽管这类无人机在技术上具有优势，且已在內陆水道得到实际应用，但它们却受到物理缆绳带来的严格操作限制。具体来说，缆绳严重限制了无人机的移动性，使其只能在其长度所决定的有限区域内活动。更重要的是，上述研究大多仅关注无人水面艇的单向数据计算场景，即计算任务是在本地生成的。而在实际应用中，由于出现了无人水面艇的双向计算任务，这类方法无法实现令人满意的效果。

近年来，人们为确保无人水面艇能够实现双向数据计算的服务质量做出了诸多努力[12]提出了一种无人水面艇双向计算任务模型，并研究了在平均传输功率和任务执行延迟约束条件下的网络资源分配问题。实验结果表明，通过采用可重构智能表面装置辅助的传输方案，可以降低无人水面艇执行双向任务的能源消耗。不过，该方法的适用范围仅限于单无人机服务多无人水面艇的场景[13]则提出了一种多无人机边缘计算网络架构，并研究了在时间窗口约束条件下，无人机在为无人水面艇提供双向计算服务时的能源消耗最小化问题。研究结果表明，通过共同优化无人机的执行模式、飞行轨迹以及悬停位置，可以降低无人机的能源消耗。为进一步解决多无人机边缘计算系统中大规模用户群体的扩展性问题[14]提出了一种双层优化方法，用于同时优化无人机的部署和任务调度。具体而言，该算法采用了带有消除操作器的差分进化算法，用于自适应地优化无人机的数量及其离散的悬停位置；同时，还开发了一种高效的贪心算法，用于解决任务调度的0 - 1整数规划问题，从而有效降低整个系统的能源消耗[15]研究了无人机辅助的边缘计算网络中的能源效率优化问题，在该网络中，每架无人机同时充当空中能量站和边缘服务器，负责提供充电和计算服务。他们共同设计了用户发射功率、计算频率、无人机发射功率、带宽分配以及无人机飞行轨迹，以实现网络能源效率的最大化[16]则在存在多种地面障碍物的情况下，研究了无人机辅助网络中无人机飞行轨迹与波束成形的联合设计问题。通过采用块坐标下降算法[17]和深度强化学习算法，所提出的框架能够在确保有效避开障碍物的同时，实现稳定的服务提供。尽管深度强化学习等智能学习算法展现出巨大潜力，但它们存在维度灾难的问题，而且在解决大规模混合整数非线性规划问题时需要大量的训练数据。在变化剧烈的內陆水道环境中，过高的训练成本可能会限制这些算法的实时应用能力。因此，开发计算效率高的启发式算法，以确定性方式处理紧密耦合的连续变量和离散变量，仍然是一项至关重要且具有现实意义的任务。

数字孪生技术是一种新兴的范式，它能够捕捉网络的动态状态，并在物理实体与其虚拟对应物之间建立实时同步关系。此外，虚拟孪生体还会利用收集到的数据不断更新自身状态，从而有助于预测其物理对应物的运行状况[18]。在持续状态同步的驱动下，数字孪生技术出色的预测能力成为优化网络资源分配策略的关键支撑[7]提出了一种适用于无人机通信网络的自适应数字孪生框架，在该框架中，数字孪生技术能够在明确考虑估计误差的情况下，为资源卸载决策提供智能支持。实验结果表明，基于数字孪生技术的预测能够显著降低计算任务卸载的能源消耗。除了预测功能之外，数字孪生技术还为提升网络资源效率带来了显著成效[19]提出了一种用于实时数据分析和资源管理的新型数字孪生 - 边缘计算网络架构。实验结果表明，数字孪生技术能够在降低网络能源消耗的同时，提升通信效率[20]研究了基于数字孪生技术与边缘计算技术的资源分配问题，结果表明，与不采用数字孪生技术的方案相比，基于数字孪生技术的方案能够节省大约50%的网络资源[21]研究了在无人机辅助的边缘计算网络中，基于数字孪生技术的计算任务卸载预测问题，分析了基于数字孪生技术得到的系统状态与实际测量所得系统状态之间的差异。结果表明，基于数字孪生技术的预测能够在极低的延迟下实现理想的资源分配。这些研究成果为将数字孪生技术整合到更复杂的无线环境中提供了依据。在如此复杂的环境中，可重构智能表面装置和数字孪生技术发挥着各自独特却又互补的作用：可重构智能表面装置能够主动缓解无人水面艇与地面基站之间的物理信道阻塞问题，而数字孪生技术则能够提供实时状态监测与预测功能，为智能的资源分配决策提供依据[22]研究了一种基于数字孪生技术的可重构智能表面装置辅助的边缘计算系统，旨在实现可靠的低延迟通信[23]提出了一种基于数字孪生技术的边缘计算框架，该框架适用于配备可重构智能表面装置的自动驾驶车辆，通过基于多任务学习的算法，共同优化车辆的飞行轨迹和任务卸载策略。这些研究都展示了数字孪生技术与可重构智能表面装置协同作用的巨大潜力，但它们主要聚焦于单向计算任务，既没有考虑无人水面艇的双向任务模型，也没有利用数字孪生技术来估算无人水面艇的计算能力。虽然上述研究已经证明了数字孪生技术与可重构智能表面装置具有相当大的技术潜力，但它们忽视了无人机悬停位置与无人水面艇双向任务执行决策之间的动态耦合关系。此外，以往的研究通常将数字孪生技术的估算结果视为边缘计算网络的理想输入，没有给出一种将数字孪生技术估算误差与系统性能相结合的明确理论模型。尽管已有研究表明，基于数字孪生技术的预测能够降低计算和任务卸载的能源消耗，但在利用这种预测能力来准确把握无人水面艇的动态计算能力与任务不确定性，同时结合可重构智能表面装置辅助的无人机-无人水面艇边缘计算网络中的双向任务卸载决策、传输功率以及无人机悬停位置进行优化方面，仍存在一些关键的差距，这有待进一步研究。

正是鉴于上述不足，本研究对一种基于数字孪生技术的、可重构智能表面装置辅助的无人机-无人水面艇边缘计算网络进行了深入研究，该网络旨在为无人水面艇处理双向计算任务提供支持。一方面，利用数字孪生技术复制无人水面艇的硬件配置、历史数据以及通信和计算状态，从而估算出无人水面艇的传输功率和计算能力。这样，每艘无人水面艇就能够根据数字孪生技术估算出的传输功率和计算能力，动态确定自身的任务执行决策。另一方面，与以往那些专注于传统无人机单向数据计算模式的研究不同，本研究提出了一种专为无人水面艇的双向计算任务设计的网络架构。特别是，每架被部署的无人机都能从地面基站获得稳定的能源供应，并且还携带有可重构智能表面装置，以此在地面基站与无人水面艇之间建立可靠的、基于可重构智能表面装置辅助的数据传输链路。本文的主要贡献如下：1. 本研究提出了一种全新的网络架构，通过综合考虑无人水面艇的任务执行决策、无人机の悬停位置、数字孪生技术估算的无人水面艇计算能力以及传输功率等因素，解决了无人水面艇的能源最小化问题。该问题的非凸性和混合整数约束使其极为复杂，难以解决。2. 本研究通过将问题分解为两个子问题来寻求解决方案：（1）优化无人水面艇的双向计算任务决策、估算出的计算能力以及传输功率；（2）优化无人机的悬停位置。这两个子问题分别通过匈牙利融合差分进化算法和改进的粒子群优化算法进行迭代求解。研究结果表明，所提出的方法能够获得高质量解决方案，同时显著降低无人水面艇的能耗。系统模型与问题描述：图1展示了所考虑的网络架构，该架构由一组动态部署的M={1,2,…,M}架运输无人机负责为N={1,2,…,N}架单天线无人水面艇提供服务，这些运输无人机可通过其对应的充电站获得不间断的电力供应。在每个时间槽中，每架无人水面艇都会生成一个双向计算任务。所提出的解决方案：由于α、f和p之间存在耦合关系，P1属于NP难问题，因此是一个高度耦合的混合整数非凸优化问题。此外，约束条件C2–C4还取决于无人水面艇和运输无人机的硬件特性。尽管近年来一些基于智能学习的方法可能可以解决这类问题，但它们需要复杂的训练过程以及大规模的交互数据集，这会带来较大的计算负担，也可能限制其在动态环境中的应用。仿真设置：选取了若干重要的性能指标，并在配备Intel CPU@1.60 GHz处理器及16 GB内存的MATLAB环境中进行了仿真。无人水面艇随机部署在400米×400米的区域内，运输无人机则在50米的高度飞行。每架无人水面艇的最大通信距离为40米，每架无人水面艇会生成50个任务，其中Dil和Dir的值在[1,20]×10^4比特范围内，执行每个任务所需的CPU周期在[1,10]×10^5之间，而每个任务的最大执行延迟则设定为10秒。结论与未来工作：本研究提出了一种基于分布式延迟容忍技术的RIS辅助无人机-无人水面艇多跳网络架构，通过综合考虑双向任务执行决策、运输无人机的悬停位置、分布式延迟容忍技术估算的无人水面艇计算能力以及传输功率约束，解决了无人水面艇能耗最小化问题。我们将该问题分解为两个子问题：即无人水面艇任务执行模式指标的联合优化，以及分布式延迟容忍技术估算的无人水面艇传输功率和计算能力的优化。作者贡献说明：马超：负责原文撰写、验证、资源准备、研究分析、形式化分析以及概念设计。刘泉：负责文本审阅与编辑、项目监督、方法设计、研究分析、数据整理以及概念设计。廖扬哲：负责文本审阅与编辑、项目监督、资金筹措、形式化分析、数据整理以及概念设计。利益冲突声明：作者们声明自己没有已知的、可能影响本文研究结果的财务利益或个人关系。