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

Sintesi Tecnica: Modellazione Stocastica e Dimensionamento delle Risorse di Sistemi Edge Intelligent Multi-Cellulari

Definizione del Problema
L'intelligenza edge abilita l'inferenza AI all'edge della rete, offrendo soluzioni a bassa latenza per applicazioni come l'analisi video. Tuttavia, l'efficienza dei costi e delle prestazioni di tali sistemi dipende criticamente dal dimensionamento congiunto delle risorse wireless e computazionali prima della distribuzione. La letteratura esistente si concentra ampiamente sull'allocazione delle risorse in tempo di esecuzione o impiega modelli semplificati che de-accoppiano l'accesso radio dall'infrastruttura computazionale. Tali approcci spesso trascurano le correlazioni end-to-end in implementazioni su larga scala e si affidano a metriche di prestazione medie, fallendo nel rispondere ai rigorosi vincoli di latenza di coda (tail-latency) e di accuratezza dell'inferenza richiesti dalle applicazioni critiche per la sicurezza di prossima generazione. Inoltre, la pianificazione di rete tratta spesso le dimensioni wireless e computazionali in isolamento, ignorando la natura stocastica della posizione degli utenti, del traffico e dell'interferenza in ambienti multi-cellulari realistici.

Metodologia
Gli autori propongono un quadro stocastico unificato per modellare e ottimizzare il dimensionamento di sistemi edge-intelligenti multi-cellulari. La metodologia integra tre componenti fondamentali:

1. Geometria Stocastica per la Topologia di Rete: La distribuzione spaziale di stazioni base e utenti è modellata utilizzando un processo di punti di Poisson omogeneo (PPP). Ciò consente la derivazione di espressioni in forma chiusa per la capacità ergodica dell'uplink sia in regimi limitati dal rumore che limitati dall'interferenza. Il modello incorpora il controllo della potenza frazionaria proporzionale alla distanza, i vincoli di potenza di picco e l'interferenza inter-cella all'interno di una tassellazione di Poisson-Voronoi.
2. Teoria delle Code e Profilazione del Carico di Lavoro AI: Il ritardo end-to-end di offloading è scomposto in tempo di trasmissione uplink, tempo di accodamento presso il server edge e tempo di inferenza AI. Il processo di arrivo è modellato come un processo di Poisson e la coda del server è trattata come un sistema M/D/1 (arrivi di Poisson, servizio deterministico). Il tempo di servizio è derivato dal profiling empirico dell'inferenza basata su YOLOv5, mostrando una dipendenza cubica dalla risoluzione del frame.
3. Formulazione di Ottimizzazione Congiunta: Gli autori formulano un problema di ottimizzazione non convesso per minimizzare il costo totale di distribuzione (somma pesata della larghezza di banda wireless e della capacità computazionale) soddisfacendo rigorosi garantiti di Qualità del Servizio (QoS) statistica. Tali garanzie includono vincoli di latenza di coda rigorosi (definiti da una probabilità di successo minima), requisiti di copertura per utenti ai bordi della cella e grandi celle di Voronoi, e un'accuratezza minima dell'inferenza.

Per risolvere il problema non convesso, gli autori dimostrano che esso può essere scomposto in una serie di sottoproblemi convessi. Fissando variabili specifiche (come la distanza dell'utente peggiore e la risoluzione del frame) e utilizzando rappresentazioni epigrafiche per i vincoli di potenza, dimostrano che il problema ammette una soluzione globalmente ottimale con errore di ottimalità nullo sotto specifiche condizioni di carico.

Contributi Chiave

• Quadro Stocastico Unificato: Il documento introduce un modello trattabile che cattura congiuntamente la casualità spaziale, la dinamica di trasmissione wireless e l'accodamento computazionale per l'analisi video edge.
• Espressioni di Capacità in Forma Chiusa: Gli autori derivano formule di capacità ergodica per trasmissioni uplink SIMO sia in condizioni limitate dal rumore che limitate dall'interferenza, tenendo esplicitamente conto del controllo della potenza frazionaria e dei limiti di potenza di picco.
• Ottimalità Globale nella Pianificazione Non Convessa: Il lavoro fornisce una prova teorica che il complesso problema di dimensionamento delle risorse non convesso può essere risolto globalmente tramite la decomposizione in sottoproblemi convessi, garantendo un compromesso costo-prestazioni ottimale senza ricorrere ad approssimazioni euristiche.
• Linee Guida di Design per la Densificazione: Attraverso la valutazione numerica, il documento identifica scambi critici nella densificazione della rete. Rivela che, sebbene le reti più dense riducano i ritardi di trasmissione, esse possono aumentare i costi computazionali per richiesta a causa della riduzione del multiplexing statistico ai server. Al contrario, nel regime limitato dall'interferenza, la densificazione è efficace in termini di costi solo se il fattore di riutilizzo delle frequenze scala proporzionalmente alla densità delle stazioni base; altrimenti, ciò conduce a severa interferenza e inefficienza.

Risultati
Le valutazioni numeriche in regimi sia limitati dal rumore che limitati dall'interferenza evidenziano comportamenti di design distinti:

• Regime Limitato dal Rumore: La densificazione (aumento della densità delle stazioni base) riduce la larghezza di banda richiesta per frame a causa delle distanze di propagazione più brevi. Tuttavia, aumenta la capacità computazionale richiesta per server poiché le celle più piccole aggregano meno utenti, riducendo i guadagni di multiplexing statistico.
• Regime Limitato dall'Interferenza: Se il fattore di riutilizzo delle frequenze viene mantenuto costante durante la densificazione della rete, l'interferenza aumenta, annullando i benefici dei link più brevi e portando a requisiti di larghezza di banda più elevati. I design cost-efficient in questo regime richiedono una scalabilità proporzionale del fattore di riutilizzo delle frequenze con la densità delle stazioni base.
• Trade-off: L'analisi conferma un compromesso fondamentale tra efficienza wireless e computazionale. Celle più piccole riducono il ritardo di trasmissione ma aumentano i costi computazionali, mentre celle più grandi mostrano la tendenza opposta. Il design ottimale dipende fortemente dall'intensità del traffico e dalla specifica strategia di gestione dell'interferenza impiegata.

Significatività
Il documento sostiene di colmare un vuoto critico nella letteratura spostando l'attenzione dalla ottimizzazione in tempo di esecuzione alla fase di pianificazione pre-distribuzione dei sistemi edge-intelligenti. Fornendo un rigoroso quadro stocastico che tiene conto della casualità spaziale e dei vincoli di latenza di coda, il lavoro offre ai progettisti di sistemi linee guida basate su principi per l'approvvigionamento delle risorse nelle reti 5G e oltre il 6G. La capacità di derivare soluzioni globalmente ottimali per il dimensionamento congiunto di risorse wireless e computazionali assicura che le implementazioni di intelligenza edge possano essere sia efficienti in termini di costi che affidabili, evitando le insidie di un approvvigionamento insufficiente o eccessivo di risorse in reti eterogenee su larga scala.