Stochastic Modeling and Resource Dimensioning of Multi-Cellular Edge Intelligent Systems

Résumé Technique : Modélisation Stochastique et Dimensionnement des Ressources de Systèmes d'Intelligence en Bordure Multi-Cellulaires

Énoncé du Problème
L'intelligence en bordure (edge intelligence) permet l'inférence de l'IA à la périphia du réseau, offrant des solutions à faible latence pour des applications telles que l'analyse vidéo. Cependant, l'efficience des coûts et la performance de ces systèmes dépendent de manière critique du dimensionnement conjoint des ressources sans fil et de calcul avant le déploiement. La littérature existante se concentre largement sur l'allocation de ressources au moment de l'exécution ou utilise des modèles simplifiés qui déconnectent l'accès radio de l'infrastructure de calcul. Ces approches négligent souvent les corrélations de bout en bout dans les déploiements à grande échelle et s'appuient sur des mesures de performance moyennes, échouant ainsi à répondre aux contraintes strictes de latence de queue (tail-latency) et de précision d'inférence requises par les applications critiques de prochaine génération. De plus, la planification de réseau traite souvent les dimensions sans fil et de calcul de manière isolée, ignorant la nature stochastique de la localisation des utilisateurs, du trafic et des interférences dans des environnements multi-cellulaires réalistes.

Méthodologie
Les auteurs proposent un cadre stochastique unifié pour modéliser et optimiser le dimensionnement de systèmes d'intelligence en bordure multi-cellulaires. La méthodologie intègre trois composantes fondamentales :

1. Géométrie Stochastique pour la Topologie du Réseau : La distribution spatiale des stations de base et des utilisateurs est modélisée par un processus de Poisson homogène (PPP). Cela permet de dériver des expressions en forme fermée pour la capacité de liaison montante ergodique dans des régimes limités par le bruit et par l'interférence. Le modèle incorpore un contrôle de puissance fractionnaire proportionnel à la distance, des contraintes de puissance de crête et l'interférence inter-cellulaire au sein d'une tessellation de Poisson-Voronoi.
2. Théorie des Files d'Attente et Profilage de la Charge de Travail IA : Le délai de déchargement (offloading) de bout en bout est décomposé en temps de transmission montante, temps de file d'attente au serveur de bordure et temps d'inférence IA. Le processus d'arrivée est modélisé comme un processus de Poisson, et la file d'attente du serveur est traitée comme un système M/D/1 (arrivées de Poisson, service déterministe). Le temps de service est dérivé du profilage empirique de l'inférence basée sur YOLOv5, montrant une dépendance cubique vis-à-vis de la résolution de l'image.
3. Formulation d'Optimisation Conjointe : Les auteurs formulent un problème d'optimisation non convexe visant à minimiser le coût total de déploiement (somme pondérée de la bande passante sans fil et de la capacité de calcul) tout en satisfaisant des garanties statistiques de Qualité de Service (QoS). Ces garanties incluent des contraintes strictes de latence de queue (définies par une probabilité de succès minimale), des exigences de couverture pour les utilisateurs en bordure de cellule et les grandes cellules de Voronoi, ainsi qu'une précision d'inférence minimale.

Pour résoudre le problème non convexe, les auteurs prouvent qu'il peut être décomposé en une série de sous-problèmes convexes. En fixant des variables spécifiques (telles que la distance maximale de l'utilisateur et la résolution de l'image) et en utilisant des représentations épigraphiques pour les contraintes de puissance, ils démontrent que le problème admet une solution globalement optimale avec un écart d'optimalité nul sous certaines conditions de charge.

Contributions Clés

• Cadre Stochastique Unifié : L'article introduit un modèle traçable qui capture conjointement l'aléa spatial, la dynamique de transmission sans fil et la file d'attente de calcul pour l'analyse vidéo en bordure.
• Expressions de Capacité en Forme Fermée : Les auteurs dérivent des formules de capacité ergodique pour les transmissions montantes SIMO sous des conditions limitées par le bruit et par l'interférence, en tenant explicitement compte du contrôle de puissance fractionnaire et des limites de puissance de crête.
• Optimalité Globale dans la Planification Non Convexe : Ce travail fournit une preuve théorique que le problème complexe de dimensionnement des ressources non convexe peut être résolu globalement par décomposition en sous-problèmes convexes, garantissant des compromis coût-performance optimaux sans recours à des approximations heuristiques.
• Directives de Conception pour la Densification : À travers une évaluation numérique, l'article identifie des compromis critiques dans la densification du réseau. Il révèle que si les réseaux plus denses réduisent les délais de transmission, ils peuvent augmenter les coûts de calcul par requête en raison de la réduction du multiplexage statistique aux serveurs. Inversement, dans les régimes limités par l'interférence, la densification n'est rentable que si le facteur de réutilisation des fréquences augmente proportionnellement à la densité des stations de base ; sinon, elle entraîne une interférence sévère et une inefficacité.

Résultats
Les évaluations numériques dans les régimes limités par le bruit et par l'interférence mettent en évidence des comportements de conception distincts :

• Régime Limité par le Bruit : La densification (augmentation de la densité des stations de base) réduit la bande passante requise par image grâce à des distances de propagation plus courtes. Cependant, elle augmente la capacité de calcul requise par serveur car les cellules plus petites agrègent moins d'utilisateurs, réduisant ainsi les gains de multiplexage statistique.
• Régime Limité par l'Interférence : Si le facteur de réutilisation des fréquences est maintenu constant lors de la densification du réseau, l'interférence augmente, annulant les bénéfices des liaques plus courtes et entraînant des besoins en bande passante plus élevés. Les conceptions économiquement efficientes dans ce régime nécessitent une mise à l'échelle proportionnelle du facteur de réutilisation des fréquences avec la densité des stations de base.
• Compromis : L'analyse confirme un compromis fondamental entre l'efficacité sans fil et celle du calcul. Des cellules plus petites réduisent le délai de transmission mais augmentent les coûts de calcul, tandis que des cellules plus grandes présentent la tendance inverse. La conception optimale dépend fortement de l'intensité du trafic et de la stratégie spécifique de gestion des interférences employée.

Signification
L'article affirme combler une lacune critique dans la littérature en déplaçant l'attention de l'optimisation au moment de l'exécution vers l'étape de planification pré-déploiement des systèmes d'intelligence en bordure. En fournissant un cadre stochastique rigoureux qui prend en compte l'aléa spatial et les contraintes strictes de latence de queue, ce travail offre aux conceurs de systèmes des directives fondées sur des principes pour le provisionnement des ressources dans les réseaux 5G et au-delà du 6G. La capacité de dériver des solutions globalement optimales pour le dimensionnement conjoint du sans fil et du calcul garantit que les déploiements d'intelligence en bordure peuvent être à la fois rentables et fiables, évitant les pièges du sous-dimensionnement ou du surdimensionnement des ressources dans des réseaux hétérogènes à grande échelle.