차량 엣지 컴퓨팅 네트워크에서 로드 밸런싱을 위한UAV-MEC 오프로딩 및 마이그레이션 결정 알고리즘
UAV-MEC Offloading and Migration Decision Algorithm for Load Balancing in Vehicular Edge Computing Network
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 무선 네트워크에서 발생하는 계산 집약적이고 지연시간에 민감한 태스크를 처리하기 위해 모바일 엣지 서비스에 대한 연구가 진행되고있다. 하지만 지상에 고정되어 있는 MEC는 출퇴근 시간과 같이 태스크 처리 요청이 일시적으로 급증하는 상황에 대해 유연하게 대처할 수 없다. 이를 해결하기 위해 UAV(Unmanned Aerial Vehicle)를 추가로 이용해 모바일 엣지 서비스를 제공하는 기술이 등장하였다. UAV는 지상 MEC 서버와달리 배터리 용량이 제한되어 있어 UAV MEC 서버 간 로드 밸런싱을 통해 에너지 효율성을 최적화 하는 것이 필요하다. 따라서 본 논문에서는UAV의 에너지 상태와 차량의 이동성을 고려하며 유전 알고리즘 기반의 태스크 오프로딩과 Q-learning 기반의 태스크 마이그레이션을 통한 로드밸런싱 기법을 제안한다. 제안 시스템의 성능을 평가하기 위해 차량 속도와 수에 따른 실험을 진행하고, 로드 분산, 에너지 사용량, 통신 오버헤드,지연 시간 만족도 측면에서 성능을 분석하였다.
Abstract
Recently, research on mobile edge services has been conducted to handle computationally intensive and latency-sensitive tasks occurringin wireless networks. However, MEC, which is fixed on the ground, cannot flexibly cope with situations where task processing requestsincrease sharply, such as commuting time. To solve this problem, a technology that provides edge services using UAVs (Unmanned AerialVehicles) has emerged. Unlike ground MEC servers, UAVs have limited battery capacity, so it is necessary to optimize energy efficiencythrough load balancing between UAV MEC servers. Therefore, in this paper, we propose a load balancing technique with considerationof the energy state of UAVs and the mobility of vehicles. The proposed technique is composed of task offloading scheme using geneticalgorithm and task migration scheme using Q-learning. To evaluate the performance of the proposed technique, experiments wereconducted with varying mobility speed and number of vehicles, and performance was analyzed in terms of load variance, energyconsumption, communication overhead, and delay constraint satisfaction rate.
참고문헌 (12)
- W. Ouyang, "Dynamic task migration combining energy efficiency and load balancing optimization in three-tier UAV-enabled mobile edge computing system", MDPI Electronics, 10(2), pp.1~30 (2021)
- H. Peng, "DDPG-based resource management for MEC", UAV-Assisted vehicular networks, 2020 (2020), 1~6
- Y. Wang, "Joint deployment and task scheduling optimization for large-scale mobile users in multi-uav-enabled mobile edge computing", IEEE Transactions on Cybernetics, 50(9), pp.3984~3997 (2020)
- Abrar, "Energy efficient UAV-enabled mobile edge computing for IoT devices: A review", IEEE Access, 9, pp.127779~127798 (2021)
- Y. Zeng, "Wireless communications with unmanned aerial vehicles: Opportunities and challenges", IEEE Communications Magazine, 54(5), pp.36~42 (2016)
- L. Zhang, "Task offloading and trajectory control for UAV-Assisted mobile edge computing using deep reinforcement learning", IEEE Access, 9, pp.53708~53719 (2021)
- N. Zhao, "Multiagent deep reinforcement learning for task offloading in UAV-assisted mobile edge computing", IEEE Transactions on Wireless Communications (2022)
- H. Hu, "Online computation offloading and trajectory scheduling for UAV-enabled wireless powered mobile edge computing", China Communications, 19(4), pp.257~273 (2022)
- J. Wang, "Vehicular computation offloading in UAV-enabled MEC systems", 2022IEEE 25th International Conference on Computer Supported Cooperative Work in Design (CSCWD), pp.1071~1076 (2022)
- X. He, "A survey of task migration strategies in mobile edge computing", 2021 IEEE 6th International Conference on Cloud Computing and Big Data Analytics (ICCCBDA), pp.400~405 (2021)
- C. Gong, "Energyefficient task migration and path planning in UAV-enabled mobile edge computing system", Hindawi Complexity, 2022, pp.1~16 (2022)
- Nishat I Mowla, "AFRL: Adaptive Federated Reinforcement Learning for Intelligent Jamming Defense in FANET", Journal of Communications and Networks, 22(3), pp.244~258 (2020), 한국통신학회[DOI]