翟道森 姜葉 李歡

摘 要：無人機(jī)由于具有高機(jī)動性、靈活性以及低成本等優(yōu)勢，在移動邊緣計(jì)算（MEC）網(wǎng)絡(luò)中發(fā)揮了重要的作用。但仍存在不少需要應(yīng)對的挑戰(zhàn)，例如，如何設(shè)計(jì)無人機(jī)部署方案及如何利用無人機(jī)有限的計(jì)算和通信資源等挑戰(zhàn)。針對旋翼無人機(jī)周期移動輔助MEC網(wǎng)絡(luò)下的用戶能耗問題，考慮無人機(jī)的周期性飛行，對其飛行軌跡進(jìn)行數(shù)學(xué)建模，優(yōu)化用戶的總功耗，并基于非正交多址技術(shù)提出一種無人機(jī)移動部署MEC資源分配與無人機(jī)軌跡優(yōu)化算法。該算法應(yīng)用連續(xù)凸逼近優(yōu)化無人機(jī)計(jì)算資源的分配及用戶的發(fā)射功率，通過塊坐標(biāo)下降法和迭代法優(yōu)化得到無人機(jī)最佳飛行軌跡。仿真結(jié)果表明與無人機(jī)的靜態(tài)部署、圓形軌跡部署相比，所提算法能有效降低用戶的總功耗。

關(guān)鍵詞：移動邊緣計(jì)算； 無人機(jī)部署； 用戶能耗； 資源分配； 軌跡規(guī)劃

中圖分類號：TN92 文獻(xiàn)標(biāo)識碼：A DOI：10.19452/j.issn1007-5453.2023.08.010

基金項(xiàng)目： 航空科學(xué)基金（ 2020Z073053004）

近年來，由于無人機(jī)具有靈活、便于部署、成本低等優(yōu)點(diǎn)，研究者們逐漸開始關(guān)注使用無人機(jī)來輔助無線通信網(wǎng)絡(luò)的應(yīng)用場景[1-3]。與此同時(shí)，由于物聯(lián)網(wǎng)設(shè)備產(chǎn)生的數(shù)據(jù)呈爆炸式增長，傳統(tǒng)的云計(jì)算方案已無法滿足物聯(lián)網(wǎng)用戶對低延遲、低成本計(jì)算服務(wù)的需求[4-6]。因此，有學(xué)者提出使用移動邊緣計(jì)算（MEC）技術(shù)將計(jì)算資源下沉到用戶端來解決上述問題[7-9]。而將無人機(jī)應(yīng)用到MEC網(wǎng)絡(luò)中[10-12]，可以進(jìn)一步提高M(jìn)EC網(wǎng)絡(luò)的服務(wù)質(zhì)量，并為MEC網(wǎng)絡(luò)帶來靈活可靠的部署方案。盡管無人機(jī)輔助MEC網(wǎng)絡(luò)具有多種優(yōu)勢，有十分廣闊的應(yīng)用前景，但目前還存在不少問題有待解決，如無人機(jī)的部署方案以及如何利用無人機(jī)有限的計(jì)算和通信資源都值得深入研究。目前有關(guān)MEC和無人機(jī)輔助MEC的研究主要包含以下三類：卸載策略選擇、能耗優(yōu)化和部署方案與軌跡優(yōu)化。

物聯(lián)網(wǎng)設(shè)備受到其電池容量與計(jì)算能力的限制，無法完成自身所需的計(jì)算任務(wù)，所以需要將任務(wù)卸載到MEC服務(wù)器，進(jìn)行協(xié)同邊緣計(jì)算。文獻(xiàn)[13]～[15]在物聯(lián)網(wǎng)系統(tǒng)中引入MEC技術(shù)，使用基站輔助物聯(lián)網(wǎng)用戶完成計(jì)算任務(wù)，同時(shí)還考慮到了使用移動運(yùn)計(jì)算（MCC）技術(shù)，將基站無法完成的任務(wù)上傳到云端進(jìn)行計(jì)算，使用MEC服務(wù)器提供更低延遲的計(jì)算服務(wù)，而MCC服務(wù)器能提供更強(qiáng)的計(jì)算能力。使用無人機(jī)來輔助MEC有很多種方式，可以將無人機(jī)作為地面物聯(lián)網(wǎng)設(shè)備到基站邊緣服務(wù)器的中繼節(jié)點(diǎn)，以此來提高通信質(zhì)量與網(wǎng)絡(luò)覆蓋范圍。此外還有部分文獻(xiàn)考慮了無人機(jī)之間的任務(wù)卸載策略[16-19]，其中文獻(xiàn)[17]將用戶的計(jì)算任務(wù)卸載至無人機(jī)，無人機(jī)之間再尋找空閑無人機(jī)進(jìn)行任務(wù)卸載，以此來降低任務(wù)的處理時(shí)延，并提出了一種基于深度強(qiáng)化學(xué)習(xí)的方法去求解該動態(tài)協(xié)調(diào)策略。

一般情況下，小型物聯(lián)網(wǎng)終端由于其較小的體積與靈活的部署方式，一般沒有十分可靠的供電系統(tǒng)支撐，其攜帶的能量是十分有限的，如果在處理任務(wù)過程中不考慮其能耗，可能會造成終端無法滿足續(xù)航要求。因此，在處理計(jì)算任務(wù)時(shí)，考慮物聯(lián)網(wǎng)設(shè)備的能耗問題非常關(guān)鍵。一般需要考慮到物聯(lián)網(wǎng)設(shè)備的能耗，也要兼顧UAV的能耗問題，其中文獻(xiàn)[20]通過聯(lián)合優(yōu)化無人機(jī)軌跡與計(jì)算資源分配，提出了一個最小化用戶最大能耗的優(yōu)化問題，并使用迭代的方法來求解該問題。而文獻(xiàn)[21]研究了一個使用旋翼無人機(jī)來完成物聯(lián)網(wǎng)場景下的數(shù)據(jù)采集即處理場景，通過對無人機(jī)的懸停與飛行能耗建模，獲得了一個在最小無人機(jī)能耗的情況下，物聯(lián)網(wǎng)設(shè)備的卸載策略以及無人機(jī)的飛行軌跡的次優(yōu)解。

在無人機(jī)輔助MEC網(wǎng)絡(luò)中，無人機(jī)借助其靈活性與高機(jī)動性，可以根據(jù)實(shí)際場景選擇不同的部署方案。使用旋翼無人機(jī)在空中懸停，可以作為一個穩(wěn)定的空中平臺來為地面用戶提供計(jì)算服務(wù)。文獻(xiàn)[22]研究了使用多個旋翼無人機(jī)對地面用戶提供MEC服務(wù)的場景，以能耗優(yōu)化為目標(biāo)建立了問題模型，并使用差分進(jìn)化算法對無人機(jī)的位置部署問題進(jìn)行求解。而相比于旋翼無人機(jī)，固定翼無人機(jī)具有更快的飛行速度與更強(qiáng)的續(xù)航能力，使用固定翼無人機(jī)來輔助MEC網(wǎng)絡(luò)往往需要考慮其飛行軌跡，來為用戶提供更優(yōu)質(zhì)的服務(wù)。其中文獻(xiàn)[23]研究了使用單個無人機(jī)輔助地面用戶計(jì)算的場景，對無人機(jī)的飛行軌跡進(jìn)行了優(yōu)化，并使用波束賦形技術(shù)來與地面用戶通信。

無人機(jī)輔助MEC網(wǎng)絡(luò)目前仍面臨著嚴(yán)峻的挑戰(zhàn)，依然有很多內(nèi)容可以深入研究。與目前已有的文獻(xiàn)不同，本文考慮了一個物聯(lián)網(wǎng)場景下，物聯(lián)網(wǎng)設(shè)備會按一定的速率持續(xù)產(chǎn)生數(shù)據(jù)，而產(chǎn)生的數(shù)據(jù)需要以部分卸載策略在本地或無人機(jī)進(jìn)行計(jì)算。本文考慮單個無人機(jī)以周期移動部署的方式輔助地面物聯(lián)網(wǎng)用戶MEC的場景，以最小化物聯(lián)網(wǎng)用戶能耗為目標(biāo)，聯(lián)合優(yōu)化用戶卸載比例、用戶發(fā)射功率、用戶本地計(jì)算頻率以及無人機(jī)飛行軌跡等問題。提出一種基于非正交多址的無人機(jī)移動部署MEC資源分配與無人機(jī)軌跡優(yōu)化算法，分析了最優(yōu)本地計(jì)算任務(wù)執(zhí)行策略，給出了最優(yōu)用戶本地計(jì)算頻率的閉式表達(dá)式，將該問題分解為聯(lián)合用戶卸載比例與發(fā)射功率優(yōu)化與無人機(jī)軌跡優(yōu)化兩個子問題進(jìn)行求解。最后，仿真結(jié)果表明與無人機(jī)的靜態(tài)部署、圓形軌跡部署相比，該算法能有效降低用戶的總能耗。

1 系統(tǒng)模型

1.1 問題場景

物聯(lián)網(wǎng)場景下，一架無人機(jī)以周期T在空中飛行，無人機(jī)攜帶單天線與一個小型邊緣計(jì)算服務(wù)器，可以與地面的物聯(lián)網(wǎng)用戶通信并為其提供邊緣計(jì)算服務(wù)。地面的物聯(lián)網(wǎng)用戶依靠自身攜帶的電池來供電，其攜帶的處理器計(jì)算能力十分有限，無法滿足自身的計(jì)算需求，需要將任務(wù)卸載到無人機(jī)來進(jìn)行邊緣計(jì)算。該無人機(jī)周期移動部署MEC系統(tǒng)場景如圖1所示。

算法1在運(yùn)算過程中單位時(shí)間用戶總功耗與迭代次數(shù)的關(guān)系如圖2所示，可以看出，用戶單位時(shí)間總功耗隨著迭代次數(shù)逐漸減少，并趨于穩(wěn)定，證明了提出算法的收斂性，且在不同的T下，最大在迭代到第7次時(shí)達(dá)到穩(wěn)定點(diǎn)，說明該算法具有較快的收斂性。

不同T時(shí)，無人機(jī)的飛行軌跡如圖3所示，可以看到，隨著T的增加，無人機(jī)的飛行軌跡會更加貼近于每個用戶，以此來降低用戶發(fā)射功耗。同時(shí)，從圖4可以看出，隨著T的增加，單位時(shí)間用戶總功耗會逐漸減小，最終趨于穩(wěn)定，說明此時(shí)T已經(jīng)達(dá)到了最優(yōu)值。此外，還對比了三種無人機(jī)的不同部署方案下單位時(shí)間用戶總能耗與周期T的關(guān)系?？梢灾庇^看出，固定位置部署方案的優(yōu)化效果與T無關(guān)，且其相比于無人機(jī)進(jìn)行周期性飛行的情況，固定位置部署方式用戶能耗會更高。在T較小的情況下，圓形軌跡與本文所提優(yōu)化方案優(yōu)化效果較為相近，而隨著T的增加，本文所提算法會帶來較為明顯的優(yōu)化效果。

不同Dk時(shí)，無人機(jī)的飛行軌跡如圖5所示，可以看到，Dk= 1.8Mbps時(shí)無人機(jī)能貼合每一個用戶，但隨著Dk的增加，無人機(jī)未能將所有用戶服務(wù)到，這表明用戶的平均數(shù)據(jù)量應(yīng)當(dāng)被合理設(shè)置，并非越大越好。

同時(shí)，圖6展示單位時(shí)間物聯(lián)網(wǎng)用戶與數(shù)據(jù)量Dk的關(guān)系，在用戶數(shù)據(jù)量Dk增加時(shí)，三種部署方式下單位時(shí)間用戶總功耗均會增加，且本文所提算法明顯優(yōu)于其他兩種方案。

用戶處于不同位置下無人機(jī)的飛行軌跡如圖7所示，可以看到，用戶處于位置1時(shí)，無人機(jī)能在較短時(shí)間內(nèi)服務(wù)到用戶，而當(dāng)用戶間距離越來越稀疏時(shí)，所提算法下的無人機(jī)也能夠服務(wù)到用戶，但需更長時(shí)間。

單位時(shí)間物聯(lián)網(wǎng)用戶總功耗與用戶位置標(biāo)準(zhǔn)差的關(guān)系如圖8所示，圖中方案周期T均達(dá)到其最優(yōu)。從圖中可以看到，當(dāng)用戶位置較為密集時(shí)，無人機(jī)固定位置部署方案與本文所提方案效果相近，但隨著用戶位置標(biāo)準(zhǔn)差逐漸增大，本文所提方案下用戶功耗增長速度明顯低于固定位置部署方案，圓形軌跡部署在用戶位置標(biāo)準(zhǔn)差較小時(shí)效果較差，但隨著用戶的分散，最終用戶功耗增長速度要低于固定位置部署方案。

4 結(jié)束語

本文考慮單無人機(jī)周期移動輔助地面互聯(lián)網(wǎng)用戶進(jìn)行移動邊緣計(jì)算場景，提出一種基于NOMA的無人機(jī)移動部署MEC資源分配與無人機(jī)軌跡優(yōu)化算法。以最小化用戶功耗為目標(biāo)建立優(yōu)化問題，對模型進(jìn)行優(yōu)化與分析，將原有問題分解為兩個子問題，用SCA方法求解，最后通過迭代得到原問題的一個較好次優(yōu)解。試驗(yàn)結(jié)果表明，與無人機(jī)的靜態(tài)部署、圓形軌跡部署相比，本文所提算法具有更好的收斂性和有效性，最大程度上降低了用戶總功耗。

參考文獻(xiàn)

[1]Mozaffari M， Saad W， Bennis M， et al. A tutorial on UAVs for wireless networks： Applications， challenges， and open problems[J]. IEEE Communications Surveys & Tutorials， 2019， 21（3）： 2334-2360.

[2]陳宇恒，陳進(jìn)朝，陳雪聰.基于改進(jìn)貪心算法的無人機(jī)集群協(xié)同任務(wù)分配[J].航空科學(xué)技術(shù)， 2022， 33（4）： 13-18. Chen Yuheng， Chen Jinchao， Chen Xuecong. Cooperative task allocation of UAV cluster based on improved greedy algorithm[J]. Aeronautical Science & Technology. 2022， 33（4）： 13-18.（in Chinese）

[3]楊玉騰，李治權(quán)，冷俊杰.基于任務(wù)需求的高速旋翼機(jī)多方案對比研究[J].航空科學(xué)技術(shù)， 2023， 34（5）： 7-13. Yang Yuteng， Li Zhiquan， Leng Junjie. Comparative study on multi-plan of high-speed rotorcraft based on mission require‐ments[J]. Aeronautical Science & Technology. 2023， 34（5）： 7-13. （in Chinese）

[4]Frustaci M， Pace P， Aloi G， et al. Evaluating critical security issues of the IoT world： Present and future challenges[J]. IEEE Internet of Things Journal， 2017， 5（4）： 2483-2495.

[5]Yadav E P， Mittal E A， Yadav H. IoT： Challenges and issues in indian perspective[C]. 2018 3rd International Conference on Internet of Things： Smart Innovation and Usages （IoT-SIU）. IEEE， 2018： 1-5.

[6]Condry M W， Nelson C B. Using smart edge IoT devices for safer， rapid response with industry IoT control operations[J]. Proceedings of the IEEE， 2016， 104（5）： 938-946.

[7]Shiraz M， Gani A， Khokhar R H， et al. A review on distributed application processing frameworks in smart mobile devices for mobile cloud computing[J]. IEEE Communications Surveys & Tutorials， 2012， 15（3）： 1294-131.

[8]Yao D， Yu C， Yang L T， et al. Using crowdsourcing to provide QoS for mobile cloud computing[J]. IEEE Transactions on Cloud Computing， 2015， 7（2）： 344-356.

[9]Yin Z， Yu F R， Bu S， et al. Joint cloud and wireless networks operations in mobile cloud computing environments with telecom operator cloud[J]. IEEE Transactions on Wireless Communications， 2015， 14（7）： 4020-4033.

[10]Si-Mohammed S， Ksentini A， Bouaziz M， et al. UAV mission optimization in 5G： On reducing MEC service relocation[C]. GLOBECOM 2020-2020 IEEE Global Communications Conference. IEEE， 2020： 1-6.

[11]Guo H， Liu J. UAV-enhanced intelligent offloading for Internet of Things at the edge[J]. IEEE Transactions on Industrial Informatics， 2019， 16（4）： 2737-2746.

[12]Zhang P， Wang C， Jiang C， et al. UAV-Assisted Sufyan F， Banerjee A. Computation offloading for distributed mobile edge computing network： A multi objective approach[J]. IEEE Access， 2020（8）： 149915-149930.

[13]Xue J， An Y. Joint task offloading and resource allocation for multi-task multi-server NOMA-MEC networks[J]. IEEE Access， 2021（9）： 16152-16163.

[14]Guo M， Li L， Guan Q. Energy-efficient and delay-guaranteed workload allocation in IoT edge-cloud computing systems[J]. IEEE Access， 2019（7）： 78685-78697.

[15]Ye Y， Wei W， Geng D， et al. Dynamic coordination in uav swarm assisted mec via decentralized deep reinforcement learning[C]. 2020 International Conference on Wireless Communications and Signal Processing （WCSP）. IEEE， 2020： 1064-1069.

[16]Seid A M， Boateng G O， Anokye S， et al. Collaborative computation offloading and resource allocation in multi-UAVassisted IoT networks： A deep reinforcement learning approach[J]. IEEE Internet of Things Journal， 2021， 8（15）： 12203-12218.

[17]Qi X， Chong J， Zhang Q， et al. Collaborative Computation Offloading in the Multi-UAV Fleeted Mobile Edge Computing Network via Connected Dominating Set[J]. IEEE Transactions on Vehicular Technology， 2022， 71（10）： 10832-10848.

[18]Jing D， Jian C， Min S. Cooperative task assignment for hetero‐ geneous multi-UAVs based on differential evolutionn algorithm[C]. 2009 IEEE International Conference on Intelligent Com‐puting and Intelligent Systems. IEEE， 2009.

[19]Diao X， Zheng J， Wu Y， et al. Joint trajectory design， task data， and computing resource allocations for NOMA-based and UAV-assisted mobile edge computing[J]. IEEE Access， 2019（7）： 117448-117459.

[20]Xiao H， Hu Z， Yang K， et al. An energy-aware joint routing and task allocation algorithm in MEC systems assisted by mul‐tiple UAVs[C]. 2020 International Wireless Communications and Mobile Computing （IWCMC）. IEEE， 2020： 1654-1659.

[21]Wang Y， Ru Z Y， Wang K， et al. Joint deployment and task scheduling optimization for large-scale mobile users in multiUAV-enabled mobile edge computing[J]. IEEE Transactions on Cybernetics， 2019， 50（9）： 3984-3997.

[22]Liu B， Wan Y， Zhou F， et al. Resource Allocation and Trajecto‐ry Design for MISO UAV Assisted MEC Networks[J]. IEEE Transactions on Vehicular Technology， 2022，15：301-315.

[23]Wu Q， Zeng Y， Zhang R. Joint trajectory and communication de‐sign for multi-UAV enabled wireless networks[J]. IEEE Transac‐tions on Wireless Communications， 2018， 17（3）： 2109-2121.

MEC Resource Allocation Technology for Aerial Base Station Based on NOMA

Zhai Daosen， Jiang Ye， Li Huan

Northwestern Polytechnical University， Xi’an， 710072， China

Abstract： UAV plays an important role in Mobile Edge Computing（MEC） network due to its high mobility， flexibility and low cost. However， there are still many challenges to face， such as how to design the deployment of UAV and how to utilize the limited computing and communication resources of UAV. Aiming at the problem of user energy consumption in the periodic mobile-assisted MEC network of UAV carried on rotary-wing， this paper considers the periodic flight of UAV and models the flight trajectory to optimize the total power consumption of users. Based on Non-Orthogonal Multiple Access（NOMA） technology， an MEC resource allocation and UAV trajectory optimization algorithm in mobile deployment is proposed. Successive Convex Approximation（SCA） is used to optimize the computing resources allocation and the transmitting power of users， and the optimal trajectory is obtained by block coordinate descent method and iteration method. The simulation results show that compared with static deployment and circular trajectory deployment of UAV， the algorithm proposed can effectively reduce the total power consumption of users.

Key Words： MEC； UAV deployment； user energy consumption； resource allocation； trajectory planning