Joint Task Orchestration and Resource Optimization for SC3 Closed Loop in 6G Networks

Titel: Gecombineerde Taakorkestratie en Resource-Optimalisatie voor SC3-gesloten lussen in 6G-netwerken

1. Probleemstelling

In gevaarlijke omgevingen, zoals na natuurrampen, worden sensoren en actuatoren ingezet om taken uit te voeren die te riskant zijn voor mensen. Een essentieel onderdeel van deze autonome operaties is de Sensing-Communication-Computing-Control (SC3) gesloten lus. In deze lus fungeert een Edge Information Hub (EIH) als een "neuraal centrum" dat sensoren (oog) en actuatoren (hand) koppelt om autonome beslissingen te nemen.

De kernuitdaging die dit artikel adresseert, is het gezamenlijk optimaliseren van twee sterk gekoppelde problemen:

1. Sensoren-Actuatoren Koppeling (Pairing): Het selecteren van welke sensor met welke actuator moet worden gekoppeld om een gesloten lus te vormen. Dit is een nieuw probleem in 6G-netwerken, aangezien traditionele netwerken meestal individuele gebruikers verbinden, niet twee knooppunten die samen een lus vormen.
2. Resource-toewijzing: Het toewijzen van continue resources, zoals bandbreedte (uplink/downlink), zendvermogen en CPU-frequentie (computing), aan deze lussen.

Deze twee beslissingen zijn inherent aan elkaar gekoppeld: de keuze van een sensor beïnvloedt de communicatie- en rekenvereisten, terwijl de beschikbare resources bepalen welke koppelingen haalbaar zijn. Het optimaliseren van dit systeem leidt tot een complex Mixed-Integer Nonlinear Programming (MINLP) probleem, waarbij discrete beslissingen (koppeling) en continue variabelen (resources) tegelijkertijd moeten worden geoptimaliseerd om de totale LQR-kost (Linear Quadratic Regulator, een maatstaf voor controleprestaties) te minimaliseren. Bestaande methoden zijn vaak te traag (exhaustieve zoekopdrachten) of verliezen te veel prestaties door de problemen te ontkoppelen.

2. Methodologie: Het LOAC-framework

Om het MINLP-probleem op te lossen, stellen de auteurs een nieuw kader voor: het Learning-Optimization-Integrated Actor-Critic (LOAC) framework. Dit framework combineert Deep Learning met wiskundige optimalisatie om een evenwicht te vinden tussen oplossingskwaliteit en rekentijd.

Het framework bestaat uit twee hoofdmodules:

• Actor (Acteur): Een Deep Neural Network (DNN) dat verantwoordelijk is voor het genereren van kandidaat-oplossingen voor de sensoren-actuatoren koppeling. De DNN encodeert de eigenschappen van sensoren (zoals kanaalwinning en rekenintensiteit) en actuatoren (zoals systeemstabiliteit) en voorspelt kansen voor koppelingen. Een algoritme converteert deze kansen naar geldige, één-op-één koppelingen.
• Critic (Kritiek): Een optimalisatie-module die, gegeven een specifieke koppeling van de actor, het bijbehorende continue resource-toewijzingsprobleem oplost. Omdat de koppeling vaststaat, wordt dit een convex optimalisatieprobleem dat efficiënt kan worden opgelost. De critic berekent de resulterende LQR-kost en gebruikt deze als feedback.

Leerproces:
De critic evalueert de kwaliteit van de koppelingen die door de actor zijn gegenereerd. Deze feedback (de berekende LQR-kost) wordt gebruikt om de DNN van de actor iteratief bij te werken. Hierdoor leert het netwerk welke koppelingen leiden tot de beste resource-allocatie en de laagste controlekosten, zonder dat het netwerk zelf de complexe continue optimalisatie hoeft uit te voeren.

3. Belangrijkste Bijdragen

1. Systeemmodel: De auteurs formuleren een autonoom operatiesysteem bestaande uit meerdere SC3-gesloten lussen en introduceren de Closed-Loop Negentropy Rate (CNER) als een nieuwe metriek. CNER kwantificeert de entropiereductie van het besturingssysteem per cyclus en integreert prestaties van senseren, communiceren, rekenen en controleren in één waarde.
2. Gezamenlijke Optimalisatie: Ze stellen een gezamenlijk optimalisatieprobleem op dat de koppeling van sensoren en actuatoren combineert met de toewijzing van bandbreedte, vermogen en CPU-frequentie om de som van de LQR-kosten te minimaliseren.
3. LOAC-framework: Ze ontwikkelen het LOAC-framework om het complexe MINLP-probleem op te lossen. Dit framework bereikt bijna optimale oplossingen met een lage computationele complexiteit door de discrete beslissingen (koppeling) te laten leren door een DNN en de continue beslissingen (resources) exact op te lossen via convex optimalisatie.
4. Theoretische Analyse: Ze bewijzen dat het resource-toewijzingsprobleem (gefixeerd op een koppeling) convex is, wat de efficiëntie van de critic-module garandeert.

4. Resultaten

Simulaties in een rampscenario (met 20 sensoren en 4 actuatoren) tonen de volgende resultaten:

• Prestatie: Het LOAC-framework bereikt prestaties die zeer dicht bij de optimale oplossing liggen (verkregen via exhaustieve zoekopdracht), maar met een veel lagere rekentijd.
• Vergelijking met bestaande methoden:
  • Het presteert aanzienlijk beter dan ontkoppelde methoden (waarbij eerst gekoppeld wordt en daarna resources worden toegewezen), omdat deze de intrinsieke koppeling tussen taak en resources negeren.
  • Het overtreedt communicatie-gerichte schema's (zoals "max-sum rate"), die vaak te veel resources toewijzen aan stabiele taken en instabiele taken verwaarlozen, wat leidt tot hoge controlekosten.
  • Het is superieur aan QoS-gebaseerde schema's die op grove taakeisen gebaseerd zijn, omdat LOAC dynamisch reageert op de specifieke omstandigheden van elke lus.
• Convergentie: Het DNN convergeert snel (binnen 1500 epoca's in de simulatie) en past zich goed aan aan verschillende bandbreedtecondities.
• Complexiteit: Waar exhaustieve zoekopdrachten factoriële complexiteit hebben (onuitvoerbaar voor grote netwerken), heeft LOAC polynomiale complexiteit, wat het geschikt maakt voor real-time toepassing in dynamische 6G-omgevingen.

5. Betekenis en Impact

Dit artikel biedt een fundamentele doorbraak in het ontwerp van 6G-netwerken voor autonome systemen.

• Paradigmaverschuiving: Het verschuift de focus van het optimaliseren van individuele netwerklinks (communicatie) naar het optimaliseren van de hele gesloten lus (SC3).
• Dynamische Adaptatie: Het systeem kan zich dynamisch aanpassen aan veranderende omstandigheden (zoals nieuwe knooppunten of veranderende kanaalcondities) door de taak-resource adaptatie.
• Praktische Toepasbaarheid: Door de combinatie van learning en optimization biedt het een praktische oplossing voor complexe MINLP-problemen die eerder als onoplosbaar of te traag werden beschouwd voor real-time autonome operaties in noodsituaties.

Kortom, het paper demonstreert dat het gezamenlijk orkestreren van taken en resources via een leer-gebaseerd framework essentieel is voor het realiseren van efficiënte en betrouwbare autonome operaties in de 6G-omgeving.