《Drones》：Energy-Aware Task Offloading for Drone-Enabled SAGSINs: A Lyapunov-Based Approach
编辑推荐：
在第六代（6G）通信技术的推动下，空天地海一体化网络（SAGSINs）通过协同利用空间、空中、地面和海上平台，正在重塑边缘计算。然而，在如此高度动态和异构的网络环境中，无人机使能的SAGSINs中的长期能量高效计算卸载尚未得到充分探索，特别是在能量受限无人机的
在第六代（6G）通信技术的推动下，空天地海一体化网络（SAGSINs）通过协同利用空间、空中、地面和海上平台，正在重塑边缘计算。然而，在如此高度动态和异构的网络环境中，无人机使能的SAGSINs中的长期能量高效计算卸载尚未得到充分探索，特别是在能量受限无人机的约束下，需要服务来自用户设备（UE）的动态任务需求时。为填补这一空白，研究人员研究了网络边缘动态计算卸载需求下的服务节点关联和计算频率分配问题。然而，该问题实际上是一个随机优化问题。为此，通过基于李雅普诺夫优化方法的深入数学分析，研究人员发现多时隙长期优化问题可以转化为多个单时隙优化问题，从而实现对原问题的高效求解。单时隙问题利用图论、凸优化和优化理论求解，其中李雅普诺夫优化用于实现队列稳定性和能量效率。仿真结果表明，所提出的策略在无人机使能的SAGSINs中，面对UE的动态任务需求，有效降低了能耗，保证了低延迟，并维持了长期队列稳定性。
**论文解读：基于李雅普诺夫优化的无人机使能空天地海一体化网络能量感知任务卸载**
**研究背景与问题**
随着第六代（6G）通信技术的兴起，空天地海一体化网络（SAGSINs）通过整合空间（低轨卫星）、空中（无人机）、地面（基站）和海上（基站）平台，为边缘计算提供了跨域无缝覆盖的新范式。然而，在SAGSINs中，用户设备（UE）的移动性、服务节点的动态可用性以及任务需求的时变性，使得长期能量高效的计算卸载面临严峻挑战。现有研究大多针对静态或短时优化，忽略了对长期队列稳定性和能量消耗的联合考量。特别是在无人机使能的SAGSINs中，无人机能量受限，且任务卸载需同时处理本地计算、无人机执行、基站或卫星转发等多层决策，导致问题高度随机且复杂。因此，亟需一种能够在线决策、保证长期稳定性的能量感知卸载框架。
**研究内容与结论**
研究人员提出了一种基于李雅普诺夫优化的动态任务卸载框架，用于无人机使能的SAGSINs。该框架将多时隙随机优化问题转化为单时隙确定性优化问题，并联合优化服务节点关联（UE-无人机、无人机-基站）和计算频率分配（UE端和无人机端）。在仿真环境下（30个UE、多个无人机、固定基站和低轨卫星），与随机调度（RSA）、最短队列调度（JSQ）和平均调度（AS）三种基线方法相比，所提策略在长期内将UE和无人机的总能耗降低了80%以上，并将平均队列积压降低了90%以上，同时保证了网络稳定性。该研究为未来6G异构集成网络中的能量感知资源分配提供了实用框架，实现了无需训练的理论可解释性优化。
**主要技术方法**
研究人员采用李雅普诺夫漂移加惩罚（Lyapunov drift-plus-penalty）框架，将长期随机优化问题解耦为单时隙子问题。通过图论中的最大流最小费用流模型（结合SPFA最短路径算法和Dinic算法）求解UE-无人机和无人机-基站关联问题；通过凸优化中的对数障碍内点法求解无人机计算频率分配；通过解析求导得到UE本地计算频率的闭式解。所有决策基于当前时隙的队列状态和信道信息在线完成，无需模型训练或未来信息预测。仿真中UE随机初始化在1000m×1000m矩形区域，无人机沿圆形轨迹飞行，假设36个时隙内卫星连续可见。
**研究结果**
**队列稳定性分析**：通过对比总队列积压随时间的变化，所提算法的队列积压先增加后趋于稳定，而RSA、JSQ和AS算法的队列积压持续增长。在t=36时隙，所提算法的累积任务数分别比三种基线低84.79%、40.95%和89.89%。控制参数V的变化进一步验证了李雅普诺夫优化理论：随V增大，队列积压增大，但能耗降低，实现了能量-延迟折中。
**系统能耗性能**：在长期总能耗方面，所提算法始终保持最低水平。在t=36时隙，能耗分别比RSA、AS和JSQ降低87.79%、82.99%和89.16%。随着UE端计算资源或无人机端计算资源增加，所提算法通过动态调整资源分配，能耗波动最小，性能优于固定分配策略。
**任务大小与突发流量鲁棒性**：当任务大小从500Kb增加到2000Kb时，所提算法能耗平均比RSA、AS、JSQ降低89.89%、90.66%、90.43%。在突发流量场景下，所提算法仍保持最低队列积压（155.702 Mbit）和最低能耗（528.676 J/slot），统计显著性经95%置信区间验证。
**讨论与结论**
研究人员在结论部分指出：本文提出了一个基于李雅普诺夫的能量感知动态任务卸载框架，用于无人机使能的SAGSINs，应对随机任务到达。通过将长期随机优化问题转化为可处理的逐时隙子问题，该框架在保持长期队列稳定性的同时，联合优化了服务节点关联和计算频率分配。在所考虑的仿真设置下，所提方案相比基线算法实现了更低的UE和无人机总能耗以及更小的平均任务积压。这些结果表明，无人机使能的SAGSINs中的长期能量效率需要跨异构本地、空中、地面和卫星节点进行队列感知的任务卸载与计算资源协调。相比面向轨迹的无人机MEC和基于学习的卸载方法，所提出的无训练框架为未来6G集成网络中的自适应资源编排提供了分析基础。当前框架假设正交频率分配、连续LEO卫星可见性、BS和卫星处可忽略的计算队列、精确的系统状态信息以及预定义的无人机轨迹和飞行高度。这些假设便于可处理分析，但可能产生乐观的绝对性能，且逐时隙计算负担可能随UE和服务节点数量增加而增加。未来工作将研究干扰感知传输、间歇性卫星连接与切换、有限服务器队列、不完美或延迟的系统状态信息，以及无人机轨迹、推进能量与通信计算资源的联合优化。还将建立统一实验框架，将所提方法与代表性DQN、DDPG、PPO、多智能体DRL和基于李雅普诺夫的SAGSIN算法在性能、收敛性、计算成本和可扩展性方面进行比较。将进一步探索大规模网络的分布式低复杂度和学习辅助实现。此外，通过重新表述相应的队列动态、通信和能量模型以及资源约束，所提出的基于李雅普诺夫的框架可扩展到多无人机、车辆-路边单元、卫星-地面和海事边缘计算场景。
