【文献】Air-Ground Integrated Mobile Edge Networks – Architecture, Challenges, and Opportunities

以下关于原文的中文内容来自Google翻译或个人渣翻,存疑处直接使用了英文,有误请见谅,本文为文献读后的简译。

 

空地一体化移动边缘网络的架构、挑战和机遇

摘要

    随着移动数据需求的明显增加与重计算的IOT应用的兴起,无线接入网络的压力日益增大。在这样的背景下作者提出了一个让无人机灵活部署和调度来协助通信、缓存和计算的边缘网络框架air-ground integrated mobile edge network (AGMEN) 。之后也提出了一些具有挑战性的问题,指出了一些潜在的研究方向。

简介

    由于移动网络的快速发展,近几年的网络流量呈指数级增长。特别是高质量的视频流、VR、AR、远程操作等应用的兴起,对通信和计算能力都提出了更高的要求。同时,物联网中急剧增长的移动设备数量和大量的machine-type communications (MTC)连接都需要低延迟可靠性高低功耗的大规模连接。目前,蜂窝网络和云计算都在尽力去满足这些需求,最近的5G标准已经提出了多种技术去实现高速率与大规模MTC。利用mobile cloud computing (MCC),无线设备可以将重计算的任务转移到云服务器上执行以提高执行效率、降低用户的硬件开销。
    不过,以基站为中心的蜂窝网络目前仍然流量过载,很难满足爆炸地移动流量增长以及新应用多变的需求。传统的云计算也面临高延迟、回程带宽受限的问题。
    移动边缘网络mobile edge network (MEN)作为一种可能的解决方案被提出。通过将网络功能和资源移动到更靠近用户(即网络边缘)以获得高速率低延迟提高能效灵活部署和管理的优势。就功能而言,MEN主要技术包括network densificationmobile edge cachingmobile edge computing

  • Network Densification
    Ultra-dense network,简称UDN,超密集网络,是5G关键技术之一。通信资源被移动到更小的蜂窝上,更密集的部署并更加接近网络边缘。UDN可以获得高质量的连接还能够利用更多的spatial reuse gain来提升网络容量。当然,同时包括但不限于干扰和handover management等问题也被引入。
  • Mobile Edge Caching
    随着存储介质成本的降低,广泛采用将经常访问的内容在非高峰时段缓存在基站甚至用户设备上的方法来减轻回程网络的负担。这样便可以利用高速、低成本的边缘网络进行这部分内容的分发而不必经过回程网络反复传输。像device-to-device (D2D) 这样的邻近设备通信可以用于有效的在用户设备间共享高速缓存内容。
  • Mobile Edge Computation
    在移动边缘计算中,计算服务器部署基站、高计算能力的用户设备中,计算密集型任务可以offload到移动边缘服务器而不是远程云服务器。 这样便可以提供高带宽,低延迟,低成本、多用户和环境信息等优势。 不过用户的移动性在offload任务的分配决策时成为一个具有挑战性的问题。

    车载自组织网络 Vehicular ad hoc networks (VANETs)便从MEN的概念从衍生而来。密集部署的单元offload了大量车辆的移动流量,为车辆提供了在高速行驶时经济高效的互联网接入。利用车辆移动性预测,可以在小型BS单元,WiFi接入点(AP)和车载存储设备中预取和缓存内容,并使用D2D、DTN(delay-tolerant networks)等短距离经济有效的通信方式进行通信。将来车辆搭载AI后,还可以在MEN内进行资源共享,提高资源利用率。不过,由于车辆的移动性、车辆密度的变化和不同的quality of service (QoS)需求,车载网络的移动流量需求在时间和空间上变化很大。乡间道路等车辆稀疏的位置还会发生降级。因此,由于高移动性,如果安排车载网络的offload任务同样时一个很大的挑战。严格部署的MEN网络难以胜任这一任务。
    最近,小型无人机由于灵活性和低成本引起了关注,以及广泛应用于军事和民用领域。 最近的研究重点是采用无人机通信来协助地面网络。无人机通信网络的广泛调查、地空合作的VANET架构与挑战、无人机在MEN中提供无线接入、为边缘用户提供缓存、辅助边缘计算用于物联网服务均有过讨论,不过没有全面的空地集成MEN架构。于是本文便提出了一种新的aerial-ground integrated MEN (AGMEN).架构。在AGMEN中,通过灵活地部署大量无人机单元达到为时空不断变化的用户与数据浏览提供radio access network (RAN)的目的。同时由于自动驾驶车辆指数级增长的存储与计算能力被用于实现移动缓存与计算任务,无人机能够作为边缘网络控制器以有效地分配计算和存储资源。装有摄像头、传感器IOT设备等无人机还能能执行特定等计算任务,也能作为各种物联网服务的雾计算平台。此外,无人机也可以用于缓存常用内容,减轻网络负担。

AGMEN架构

    AGMEN总体架构如图1所示。AGMEN拥有两层网络架构,一层是部署无人机建立的multi-UAV aerial network一层是由移动用户、车辆、RAN等设施构成等ground network。空中网络上,无人机配备有传感器通信模块嵌入式处理器存储设备,从而实现网络控制器等功能。通过使用异构无线电接口(IEEE802.15.1和wifi)进行aerial-to-aerial (A2A)的通信,无人机可以互相进行传感数据、控制和协调信息的共享,形成flying ad hoc network (FANET)。通过信息交流和可控的移动性,空中网络可以执行维持无线传感网的连接、disruption-tolerant networks (DTNs)、流量监控、遥感等特定任务。地面网络上,微小型蜂窝、WiFi等异构RAN为如手机、自动驾驶汽车、IoT设备等提供服务。通过aerial-to-ground (A2G)通信实现空地合作。无人机地移动可由地面控制,将在空中网络收集地数据发送到地面中心处理利用。此外,由于无人机比地面用户有更大到传感范围,便可以先由无人机进行大规模传感,然后指导地面用户进行更细致到感知/救援。

    由于无人机到特性和两层架构到存在,AGMEN拥有多项优势。通过采用wireless fronthaul connection,,无人机可以作为小型蜂窝基站,称为无人机蜂窝(drone cells),如图1所示,可以为一组地面用户提供灵活的互联网接入。 常用内容可以缓存在UAV或地面车辆中,并通过AGMEN传输(例如,drone cells或用户之间的D2D通信)。 此外,车辆指数增长到计算能力可用于边缘计算,其中无人机可在车载计算机完成任务时安排计算任务。 接下来,将分别从UAV drone cell,、UAV-assisted edge caching和 UAV-based edge computing for IoT services的角度来介绍AGMEN的功能。

使用无人机蜂窝的多接入RAN

    在LTE与当前迅速发展的5G网络中,网络密集化被认为是解决数据流量快速增长的潜在方案。    多接入异构网络(Multi-access HetNets)由一个大蜂窝和许多种小蜂窝组成,能显著提升网络容量,改善能效。然而,这种固定部署的异构网络难以满足未来网络的动态移动流量,特别是越来越繁荣的物联网设备和服务。网络可能因为时空上数据流量的变化时而过载,时而浪费流量。而作为航空基站的无人机可以为IoT设备和移动用户提供无人机蜂窝覆盖。我们认为多接入的无人机蜂窝可以为动态流量需求提供额外的灵活性和管理能力。还可以设定无人机在设定的时间发送到指定地位,为重数据流量提供经济高效到无线接入(如集会或游行)。
    同时由于无人机在高空工作的灵活性,无人机蜂窝基站与地面节点的链路连接可以通过减轻阻塞效应变得非常可靠。无线前传和无人机蜂窝间直接可以通过毫米波和波束成形技术实现高速连接。不过,由于无人机的功耗限制,前向回传连接的容量是有限的。因此,无人机蜂窝更适合为通常只有small packets和低速率需求的IoT设备服务。由于无人机蜂窝的覆盖范围随高度和传输功率而变化,因此可以建立多层异构无人机蜂窝。不过,虽然这样可以增加容量,但多层架构会导致严重干扰,需求精心设计干扰管理。

AGMEN中的移动边缘缓存

    在传统的MEN中,常用内容通常在小型蜂窝基站等移动边缘主动缓存以降低回程负担和服务延迟。然而,当移动用户移动到蜂窝覆盖范围外的时候,缓存内容就不能被有效分发了。而且,当用户切换到一个新的蜂窝下,该用户请求的内容可能未被缓存而造成额外的延迟和带宽开销。此外,无人机蜂窝的前传网络容量也很难满足data-craving 服务的需求。为了解决这些问题而提出了UAV-assisted edge caching in AGMEN.
在无人机辅助边缘缓存中,缓存内容可以被直接存放到无人机基站上分发给用户,也可以缓存在移动设备上由无人机基站调度。对后者而言,车辆和移动用户可以先缓存他们请求过的内容,再根据地面或空中基站的调度分发给邻近用户。这种无人机协助边缘缓存能带来许多好处。如节省前传网络到带宽从而更好地给data-craving 提供低延迟服务。此外,边缘网络地缓存容量也可以被完全利用,缓存策略和内容地分发由无人机基站进行灵活地管理,从而改善AGMEN的缓存和能耗。

AGMEN中为IOT提供边缘计算

    空中网络上装备有IOT备的无人机通过协作能够构建一个空中的雾计算平台,在受限的处理能力下为IOT设备提供弹性灵活的服务。例如运行重运算人脸识别、VR等重任务时可以通过A2G通信交由无人机完成。此外,通过空地合作,两层的IOT设备可以协同工作,实现复杂或特殊的IOT服务,如灾后搜救和大规模人群感知。在这些应用中,无人机可以飞到指定地点,通过从天空获取的全局信息指导地面完成更细致的搜救工作。地面上的自动驾驶汽车等节点可以利用其丰富的计算资源来处理原始数据,并将处理后等轻量信息传输到无人机。
    这种边缘计算平台的一个典型应用是人群监视,其中一群无人机监视人群聚集的地方或事件,例如体育赛事或游行。无人机可以使用板载IOT设备拍摄高质量的监控视频并感知其他有价值的信息,而不需要安保人员参与。收集完信息后,无人机既可以在本地处理也可以将重计算任务通过无人机蜂窝前传网络或A2G通信offload到移动边缘服务器甚至移动用户的设备上进行。例如在录像中进行人脸识别需要通过计算机视觉技术如深度卷积神经网络(CNNs)使用大量计算资源来完成检测、分类和识别等工作,这种任务可以交由拥有先进神经处理芯片的移动设备如iphone X或装有AI汽车计算机的汽车来完成。
    在无人机辅助人群感知的另一个应用中,无人机可以安排和规划空中和地面站的传感任务,并通过发布/订阅(pub/sub)机制评估开销。如图2所示,可以使用网络物理架构,其中在网络维度中安排任务并且通过通信收集感测数据,而在物理维度中无人机和车辆完成现实世界中的感测任务。在用于维护用于自动驾驶的高清地图的详细道路信息收集的人群感知任务中,无人机可以飞行到相应区域在高空根据对粗略的评估来发布人群感知任务。之后,无人机可以安排更细致的感知任务,并将其发送到自动驾驶汽车,以便有效地收集信息。由于来自摄像机和激光雷达所收集的信息非常大,因此汽车可以使用机载计算资源将其与当前的HD地图进行比较,并且仅将差异发送到UAV以节省带宽和能量。

AGMEN中的挑战

    在AGMEN中,空地一体化网络具有三维移动性,动态拓扑,时变信道条件和频繁的空地相互作用,这些因素共同导致网络分析和优化的困难。 在本节中,介绍了AGMEN中的几个具有挑战性的问题,并讨论了潜在的解决方案。

网络互通

    作为一个典型的有空中和地面两层中多种多样的通信节点构成的异构网络,不同网络组件的互通是AGMENmain 林的异构挑战,主要要考虑以下两点:

  • The heterogeneity of devices
    AGMEN中不同的基本网络组件(车载网络、异构网络、空中自组织网络)由其特定的通信技术支持。 因此,AGMEN节点之间的数据交换必须在多协议环境中进行。 必须设计连接不同网络元素的接口,以实现它们之间的无缝交互。
  • The dynamic topology
    动态拓扑:AGMEN中的VANET和FANET都具有降低通信信道的质量的动态拓扑。 因此,空中和地面网络内部通信以及AGMEN中两个网络之间的相互通信需要具有处理移动性影响的专用方案的通信技术。

基于SDN的合作控制与通信

    在AGMEN中需要使用专用控制方案去统筹控制无人机的移动与充放电行为、调度通信与计算任务。软件定义网络Software defined networking(SDN)是指将网络控制平面与数据平面分开的网络范例。SDN控制器通过全局信息与对网络对有力控制可以有效地分配资源与功能,增强网络的灵活性,高效性,互通性和可靠性。为了提高AGMEN中协作控制和通信的效率,可以在AGMEN管理框架中使用SDN,如图3所示。基于SDN框架,车辆和无人机可以作为switches and crowdsensing nodes以分布式方式收集周围信息,而基站则是作为控制器收集数据并对网络功能和资源分配做出控制决策,通过SDN流控制网络行为。为了减少控制信息到流量改进能耗,被选中的车辆和无人机可以作为子控制器(cluster heads)处理本地的控制请求,对应于SDN中的分层控制器架构。

通信链路的认知,预测和优化

    除了传统车辆网络中的V2V(vehicle-to-vehicle)与V2I(vehicle-to-infrastructure)通讯链路,AGMEN 中还包含多种新型无线通讯链路,包括U2U( UAV-to-UAV)、U2V(UAV-to-vehicle)、U2B( UAV-to-BS)等链路。不同链路的功能和对QoS的要求差别很大。 例如,无人机的3D移动性特征使得天线方向成为U2U通信的主要影响因素。 由于无人机和车辆的高移动性,U2V链路上出现显着的多普勒频移和信道衰落。 当无人机充当无人机BS时,必须保证U2B链路具有高QoS,以支持大吞吐量。一些开创性的工作已经完成,实现了统计模拟A2G和U2B通道。然而,AGMEN中通信链路的更详细和动态建模,预测和优化仍然缺失。

AGMEN的评估方法

    AGMEN是一个复杂的,具有HetNets、动态3D移动性、空地一体化以及各种需求的应用的系统。因此,建立一个全面的评估系统实现对AGMEN性能的模拟、测试、验证是一项很关键的任务。在hardware- in-the-loop (HIL)、SDN等新兴技术的帮助下,AGMEN的仿真和评估可以在涉及不同仿真平台和实际系统的集成环境中进行,而网络可以通过软件定义的功能轻松重建以降低系统复杂性。 此外,通过车辆和无人机的道路测试收集的真实数据可以成为通过大数据机制进行数据分析和模拟的理想来源。

AGMEN中的待解决的一些研究问题

    尽管拥有潜力,但关于无人机辅助AGMEN才刚刚萌芽,许多重要的研究问题仍未解决。 在本节中,我们将讨论潜在的研究问题,并为未来的研究指出一些有趣的研究课题。

移动路由的建模与优化

    移动路由是AGMEN中一个关键性的问题,特别是对空中网络而已更为重要。虽然无人机的3维移动特性增加了路由拓扑的复杂性,但同时产生了额外的分布空间,是U2U和A2G能够获得更好的连接。结合信道评估技术提供的信道状态指示(channel state indicator CSI),SDN控制器和子控制器可以计算和实现路由优化方案。 各种数学工具可用于建模和解决移动路由优化问题。 例如,可以在随机几何模型中描述移动路由配置和建模问题。K-connected-center cost函数是计算路由约束的有前途的工具。

多维AGMEN信道的随机优化

    在AGMEN中,地空协作网络的动态性给无线信道带来了严重的不确定性,这需要仔细研究以提高网络性能。 考虑到无线链路的时变特性,基于几何的随机信道(geometric-based stochastic channel GSMC)建模技术可用于A2A,A2G和V2V信道的系统识别和系数估计。在AGMEN通道的GSMC建模中,基于针对环境场景调整的随机参数,在3D空间中以随机方式绘制特定的TX,RX和散射,如图4所示。此外,基于Galerkin投影的模式降级方法是解决AGMEN信道优化中多系数,大规模,多目标和高维逆向不确定性量化问题的有效方法。

智能无人机调度

    在AGMEN中,无人机发挥着核心作用,因为它们不仅可以提供无人机蜂窝,缓存和计算服务,还可以控制网络功能,如资源分配和任务调度。 另一方面,无人机的能量受到限制,应该实现高能效。 因此,在AGMEN中,无人机移动性和任务调度是一个关键且具有挑战性的问题。 在UAV调度问题中应该共同考虑几个重要因素,如下所述。

  • 无人机蜂窝、边缘缓存与边缘计算的联合优化
    有限数量的无人机的调度应该考虑移动数据流量和物联网计算任务的要求。 因此,应该研究无人机作为无人机蜂窝和物联网计算设备的调度方案,以实现对数据业务容量和边缘计算效率的性能的适当权衡。
  • 用户移动性和服务/内容请求的预测
    用户的移动性和服务/内容请求应该可以被预测,并且可以在UAV路径的调度中有效地使用这种有价值的信息,以便改善整体网络性能。
  • 能效
    通常,无人机具有有限的电量并且在电池耗尽时必须充电,这可能导致网络节点的故障。 因此,无人机调度方案应该了解电量限制,并保证网络在这种约束下正常运行。

无人机辅助数据分发

    由于无人机可以通过高质量链路实现动态部署和建立与地面节点的视距(line-of-sight LoS)连接,因此采用无人机辅助AGMEN中的数据分发是一项有前景的技术。 无人机可以主要扮演两个角色来增强AGMEN中的数据传输:

  • 作为无人机基站,无人机可以在地面网络太稀疏而无法建立直接通信链路的区域,通过高可靠性和高速率的A2G链路增强地面网络的连通性。 可以利用诸如MIMO和波束成形的高效传输技术来进一步增强网络性能。 还可以通过动态调整高度和传输功率,实现优化覆盖和干扰之间的折衷。
  • 无人机的移动性可用于延迟/中断可接受的网络中传送数据,其中无人机充当“flying data mules”,如图5所示。可以基于无人机和地面节点的移动性预测来设计路由和传送协议 。

总结

    本文中,作者提出了一种空地一体化移动边缘网络,其中采用有效的无人机调度和空地合作来共同优化AGMEN功能(即无人机蜂窝,边缘缓存和边缘计算)的性能。 我们已经描述了AGMEN的体系结构和关键组件,同时解释了IOT中特定应用程序的支持。 还讨论了该架构中的挑战性问题,并为未来的研究提出了潜在的研究方向。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

滚动到顶部