适用于IoMT应急网络的强大无人机辅助任务卸载技术：主动与被动的不确定性管理

《Future Generation Computer Systems》：Robust UAV-assisted task offloading for IoMT emergency networks: Proactive and reactive uncertainty management

　　**摘要**

无人机（UAV）辅助的移动边缘计算（MEC）为医疗物联网（IoMT）应急网络提供了一种有效的解决方案，在这种网络中，医疗设备在有限的能源和计算资源下运行。本文研究了在任务数据需求和可用设备能量变化所带来的双重不确定性下的鲁棒任务卸载问题。通过联合优化任务卸载和资源分配，构建了一个混合整数非线性规划问题以最大化计算效用。本文提出了两种不确定性管理策略：一种是主动式不确定性管理，在优化过程中考虑最坏情况下的不确定性以保证确定性可行性；另一种是反应式不确定性管理，通过运行时可行性评估和修复来调整名义解。该框架使用所开发的优化算法以及基于深度强化学习（DRL）的基准测试在相同的仿真环境下进行了评估。仿真结果表明，主动式方法在计算效用方面始终表现出更高的性能，并且鲁棒性成本（Price of Robustness）最多可降低了50%，同时在中等和严重的不确定性下也优于DRL基准测试。特别是在30%–50%的严重双重不确定性下，主动式方法能够保持可行的和可靠的运行，同时显著降低了效用退化，证明了其在安全关键的IoMT应急应用中的适用性。

**引言**

无人机（UAV）由于其移动性、灵活性、快速部署能力以及在地面基础设施不可用或受损的区域提供通信服务的能力，已成为下一代无线网络的重要使能技术[1]。这些特性使得UAV在应急和灾难响应场景中特别具有吸引力，因为在这些场景中，可靠的通信和计算支持对于维持关键服务至关重要。然而，UAV本身受到有限机载能源和计算资源的限制，因此在实际部署中高效资源管理成为一个关键挑战[2]。

将移动边缘计算（MEC）与UAV网络集成作为支持延迟敏感应用的有效解决方案，已经引起了广泛关注。通过将计算资源更接近终端用户，UAV辅助的MEC可以减少通信延迟、提高服务可靠性并降低资源受限设备的能源消耗[2]。这些能力在医疗物联网（IoMT）环境中尤为重要，因为在这些环境中，可穿戴设备、医疗传感器和患者监测系统不断生成需要实时处理和分析的医疗数据[3]。此外，先进的通信和计算技术与UAV辅助的MEC相结合，提高了系统的智能性、可扩展性和运行效率[4],[5]。

最近在能量收集（EH）和数字孪生（DT）技术方面的进展进一步增强了UAV辅助MEC系统的能力。EH提高了能源受限设备的可持续性，而DT技术实现了物理实体、设备和网络环境的同步虚拟表示，用于监测、预测和智能决策[6]。这些能力在IoMT应用中特别有益，因为在动态运行条件下，及时的资源分配和自适应网络管理对于维持可靠的医疗服务至关重要[7]。

尽管取得了这些进展，但应急IoMT网络仍然具有高度动态性和不确定性[8]。由于患者状况的变化，医疗设备可能会产生不可预测的任务负载，而可用设备能量可能因电池耗尽、能量收集变异性或运行需求而波动。因此，仅基于名义系统参数制定的资源分配决策在实际部署中可能变得不可行。尽管在无线和MEC系统中已经探索了考虑不确定性的优化方法，但现有研究通常只关注单一的不确定性来源，很少同时考虑UAV辅助IoMT环境中不确定的任务需求和可用设备能量的同时影响。

受这些挑战的启发，本文开发了一个针对双重不确定性下的IoMT应急网络的鲁棒DT辅助UAV-MEC框架。具体来说，任务数据需求和可用设备能量的不确定性被同时建模。该框架开发了一个鲁棒优化框架，用于联合优化UAV部署、用户关联、通信资源、计算资源、任务卸载决策和能量收集操作。此外，还研究了主动式和反应式不确定性管理策略，并将其与基于深度强化学习（DRL）的任务卸载方法进行了基准测试，评估了在双重不确定性下计算效用、鲁棒性、复杂性和解决方案可靠性的权衡。这种比较提供了关于在不确定环境中基于优化和学习的决策方法的相对优势的见解。本文的主要贡献总结如下：
- 为IoMT应急网络开发了一个鲁棒的DT辅助UAV-MEC框架，以支持在动态运行条件下的智能任务卸载和资源分配。
- 构建了一个混合整数优化问题，用于联合优化UAV部署、用户关联、通信资源、计算资源、任务卸载决策和能量收集操作。
- 明确建模了由任务数据需求和可用设备能量变化引起的双重不确定性，从而更真实地反映了应急医疗环境。
- 通过将不确定性直接纳入优化过程，开发了一种主动式不确定性管理策略，从而在最坏情况下保证可行性。
- 开发了一种反应式不确定性管理策略，通过运行时可行性评估和适应性调整来修复名义解，当不确定性实现事先未知时。

**文献综述**

UAV辅助的MEC网络因其能够在动态和基础设施有限的环境中提供通信和计算服务而吸引了大量研究兴趣。现有研究大致可以分为资源分配和任务卸载方法、考虑不确定性的优化技术以及基于数字孪生的框架[2]。

**系统模型**

我们考虑在一个IoMT应急场景中部署的UAV辅助移动边缘计算（MEC）网络，例如在大规模伤亡事件或受灾难影响的地区，其中传统的蜂窝基础设施不可用或受损。在这种设置中，N个IoMT用户设备（包括可穿戴患者监测器、便携式生命体征传感器、可穿戴ECG监测器和现场部署的医疗测量单元）随机分布在目标区域内。这些设备受到严重的资源限制。

**算法1：名义资源启发式（NRH）**

名义资源启发式算法是在名义条件下设计的，旨在最大化计算效率（比特/焦耳）。这意味着实际数据需求Ln和可用能量储备Enreserve完全等于它们的名义（预期）值。参数的变化没有安全裕度。该算法作为一个乐观的基准；当环境完全如预期时，它产生最高的效用，但如果实际情况与预期不同，可能不会产生最佳结果。

**仿真设置和结果分析**

本节介绍了仿真环境，并对所提出的主动式和反应式不确定性管理策略进行了全面的性能评估。所有结果都是通过对30次独立随机部署的用户设备（UEs）和UAV在500米×500米区域内的仿真获得的平均结果。评估重点关注计算效用（比特/焦耳）和鲁棒性成本（PoR），定义为单位效用下降的百分比。

**结论**

本文提出了一个鲁棒的数字孪生（DT）辅助的UAV支持的移动边缘计算（MEC）框架，用于在任务数据量和设备能量可用性同时不确定的情况下进行任务卸载。为了解决这些不确定性，我们在一个统一的优化框架内开发了主动式和反应式不确定性管理策略，用于联合优化UAV部署、用户关联、通信和计算资源分配以及任务卸载。