基于铁路无人机通信云计算卸载优化方案

陈明阳，刘 霞，龙时丹

（1．北京邮电大学 信息与通信学院，北京 100876；2．国家铁路局装备技术中心, 北京 100070）

近年来开始使用无人机对铁路线路、长大桥隧等基础设施的一些维修人员难以进入的区域进行监测，特别是在缺乏通信设施的地区，无人机可用作蜂窝网络内的飞行移动终端，比如在川藏铁路的山区、长大铁路隧道等区域大显身手。由于无人机辅助的通信全方位覆盖，并且无人机可以作为辅助，为现存通信基础设施提供无空隙服务，这种服务在即将到来的5G时代显得弥足珍贵，进一步研究包括优化无人机的飞行能力与路径，结合无人机提供通信信道的特点，挖掘出无人机未来在铁路通信领域的更大潜力尤为重要，因此，铁路用无人机通信云计算卸载优化方案的研究势在必行。

对于传统云计算的架构，比如地面云计算网络，无人机云计算结构有更加显著的优势。无人机可以在任意场景下提供云计算服务，比如沙漠、高原或者地理环境比较复杂多变的地方，而这些地方是不能建立地面云计算服务器的。无人机的计算能力更加优越，并具有更短的时延，因为短距离的lineof-sight更容易得到保障。无人机的轨迹可以根据不同任务进行优化，以便更好的提高计算性能，而传统网络的可塑性较弱。基于上述优点，国际许多科研机构已经启动无人机云计算相关项目的研究，并将其投入使用。

基于铁路无人机云计算卸载优化方案主要的关注点是配置一个移动无人机，并向铁路移动设备提供计算卸载服务。本文解决一个关键问题，就是同时优化在上行与下行信道与无人机本地计算的字节分配，以及无人机飞行的路径，以达到最小化能耗的目标。对于上行与下行传输，采用了正交与非正交频分复用，这种技术在5G网络中大有可为，本文解决了正交传输，达到时延与能量限制条件下的优化方案。

1 基于铁路无人机通信云计算卸载优化方案

无人机云计算卸载优化方案研究包括：一是模型的建立，明确优化变量。变量主要为无人机飞行路径、无人机接收移动用户数据（上行数据）、无人机本地云计算数据和无人机发送给移动用户数据（下行数据）等；二是优化无人机云计算路径与比特分配。

1.1 建立无人机通信云计算能耗模型

本文考虑无人机云计算的3种能量损耗，分别是本地计算消耗能量，飞行所需要能量与传输数据消耗能量。

1）无人机本地计算消耗能量

假设无人机的CPU频率是fc，那么执行移动用户MUk所输入的l bit所需要的能量：

使得总能量消耗等于：

2）无人机飞行所需能量

3）无人机传输数据消耗能量

其中，g0表示在1 W的传输能量在1 m的距离内最终的收益。传输信道模型假定为加性高斯白噪，能量谱密为N0。

对于非正交方式，上行传输能量消耗如下：

下行传输能量如下：

1.2 建立无人机信息传输模型

本文考虑两种信道传输模型，一种是正交方式，另一种是非正交方式。使用频分复用(FDD)的方式，并且分配的带宽为B。在5G网络中，非正交方式，也称NOMA，被更为广泛的使用。如图1所示，对于正交传输方式，在每个时间间隔之中又等分成K个时隙。在第k个时隙中，无人机仅与第k个移动用户进行数据交互。本文中K=3。对于移动用户MUk，其中k∈K，输入待处理信息为Ikbit，处理1 bit需要的CPU转数为Ck，经过处理后输出信息为Okbit。

对于非正交方式，在每一个时间间隔之中，无人机与全部移动用户进行通信。对于其中的每一个移动用户，在与无人机进行数据交换时，会受到其他数据的干扰，这使得增益减少。可以在上一部分非正交方式传输能量的表达式中发现，每一移动用户传输能量损耗与其他移动用户能量有关。

1.3 建立无人机通信计算优化的模型

图1 正交传输方式与非正交方式两种模型Fig.1 Orthogonal and non-orthogonal transmission modes

无人机云计算模型如图2所示，包含地面上的移动用户，飞行的无人机，以及无人机与移动用户进行的双边通信。

图2 无人机云计算模型11/5000Fig.2 UAV cloud computing model

1.4 无人机通信云计算路径与比特分配优化方案

无人机云计算路径与比特分配优化方案是在一定边界条件下，比如无人机飞行能力（包括距离、速度等），无人机数据传输能力等一系列条件下，通过优化无人机飞行轨迹与传输数据分配，以得到最优化。

1）对飞行速度限制的优化

由于无人机飞行技术的限制，无人机飞行速度是有限制的。所以在优化无人机轨迹的同时，要考虑相关速度限制。显然，无人机在第n个时间间隔内的飞行速度为：

由上述无人机飞行速度限制，可以得到如下表达式：

对于无人机总体的飞行，需要在指定的时间T内完成指定路程，所以得到如下对于速度的限制：

2）对无人机数据传输能力限制的优化

根据上述算得无人机CPU频率，以及在1.1节中已经推得的云计算计算能量的表达式，可以继续推导得到计算卸载优化所需的计算能量为：

其中，上式中ln={lk,n}(k∈K)，代表在第n个时间间隔内K个移动用户需要无人机处理的全部数据。在本文中，为简单起见，只假设3个移动用户。无人机总体的能量限制比较简介，只需要在全部N个时间间隔内，无人机飞行能量，无人机传输信息能量，与无人机本地计算能量的总和小于等于总的能量限制。于是可以得到如下优化表达式：

其中，ε代表无人机飞行过程中可得到的总能量。以上为无人机云计算能量限制。

3）对无人机传输信息分配限制的优化

对于无人机传输信息的分配，也需要满足一系列限制条件。比如在任一时刻，无人机接收到的数据要大于等于无人机本地计算的数据。原因是无人机云计算本地处理的数据来自于移动用户向无人机发送的数据。如果前者大于后者，将会与真实情况矛盾。

对于无人机处理完的数据限制也需要优化。无人机发送给地面移动用户的数据要小于等于无人机CPU计算处理之后的数据。同时，几个待优化的传输数据变量也要满足限制条件。简而言之，方案优化后，在第n+1个时间间隔无人机云计算本地计算的总数据小于等于在第n个时间间隔以及之前无人机从移动用户接收到的总数据。在第n+2个时间间隔之中无人机向移动用户发送的数据要不大于n+1时间间隔之前无人机已经计算处理好的数据。

2 基于正交方式优化方案的实现

1）for v in 0:iteration；其中iteration为设定的迭代次数；

2）If z(v)是原优化问题最优解，break；

介绍的步长函数；

5）v=v+1

以上为程序的简要结构。

在伪代码的第三步中，涉及到转换后的凸优化问题。该问题是根据原始模型转换而来。待优化问题如下：

新的边界条件如下：

3 仿真结果及性能分析

3.1 基于正交传输的无人机云计算方案仿真结果分析

使用MATLAB仿真时，设置的数据长度为L=104，Q/N0=15.75 dB情况下的误比特率如图3所示。

图3 Q/N0=15.75 dB情况下的误比特率Fig.3 Bit error rates for Q/N0=15.75 dB

3.2 未进行优化的无人机计算方案仿真

再将仿真曲线与LDPC方案的曲线相比较，如图5所示。

从图5可以看出，为了达到BER低于10-5的要求，TCM-DPC方案比LDPC方案的发送功率小于12 dB。

图4 Q/N0=19.06 dB情况下的误比特率Fig.4 A comparison between the bit error rates of two schemes for Q/N0=19.06 dB

图5 Q/N0=19.06 dB情况下两种方案的误比特率比较Fig.5 A comparison between the bit error rates of two schemes for Q/N0=19.06 dB

4 结论

主要研究铁路应用无人机云计算卸载优化具体方案，给出无人机云计算卸载优化方案相关模型和仿真。本文对无人机计算卸载优化方案进行建模，明确了待优化变量，包括无人机飞行轨迹、无人机传输数据分配等，关于铁路应用无人机计算卸载的优化方案的仿真是基于正交的信息传输方式。因为考虑程序的运行速度以及性能，本次的仿真代码迭代次数有限，导致优化方案的精度有限，具体的优化结果有待进一步研究与具体实现。不过，铁路用无人机云计算的研究可继续深化，发展前景广阔。