Latency-Constrained Resource Synergization for Mission-Oriented 6G Non-Terrestrial Networks

1. Problema Investigado

O artigo aborda o desafio de fornecer cobertura de comunicação e computação em cenários de emergência pós-desastre (como enchentes, terremotos ou incêndios), onde a infraestrutura terrestre está danificada ou inexistente.

• Contexto: A necessidade de "consciência situacional" rápida exige a transmissão de dados de sensores de campo para um centro de comando com baixa latência.
• Desafio Principal: Redes não terrestres (NTNs), como UAVs (drones) e satélites, possuem limitações intrínsecas de capacidade de comunicação devido a restrições de peso, tamanho e energia. Quando sensores geram grandes volumes de dados de alta resolução, a capacidade de comunicação pura pode não atender aos requisitos de latência.
• Solução Proposta: Utilizar UAVs equipados com Hubs de Informação de Borda (EIH - Edge Information Hubs). O EIH processa os dados na borda (extração de informações-chave) antes do envio ao satélite, reduzindo o volume de dados e a latência total.
• Objetivo: Minimizar o custo total de recursos (largura de banda, taxa de dados para satélite, capacidade de computação e armazenamento) enquanto se garante que a latência de upload dos dados não exceda um limite estrito ($T_{req}$). O problema envolve a configuração conjunta de recursos e a otimização da localização do UAV.

2. Metodologia

Os autores propõem uma abordagem analítica e de otimização em duas etapas principais:

A. Modelagem do Sistema

• Arquitetura: Sensores no solo enviam dados para um UAV equipado com EIH, que processa e retransmite para um satélite.
• Processamento Concorrente: Diferente de modelos sequenciais, o sistema considera que a transmissão do usuário para o EIH, o processamento no EIH e a transmissão do EIH para o satélite ocorrem concorrentemente.
• Variáveis de Otimização:
  • Configuração de Recursos: Largura de banda total ($B_{total}$), taxa de dados para satélite ($R^S_{total}$), frequência de CPU ($F_{total}$) e armazenamento ($V_{total}$).
  • Orquestração: Alocação de recursos por usuário e a proporção de dados a serem computados vs. enviados ($\eta_u$).
  • Localização: Coordenadas horizontais do UAV ($h_x, h_y$).

B. Estratégia de Solução

O problema de otimização é complexo devido a funções por partes (piecewise) e não convexidade. A solução é dividida em:

1. Otimização de Configuração de Recursos (Localização Fixa):

   • Derivação de soluções de forma fechada (closed-form) para a configuração ótima de recursos.
   • Uso de teoremas para simplificar funções complexas de latência e armazenamento, identificando que, na solução ótima, o fluxo de dados de comunicação e computação se equilibra, resultando em armazenamento acumulado zero ($V_{total} = 0$).
   • Identificação de um limiar de trade-off: Dependendo da relação entre o custo da computação e o custo da comunicação, os dados são processados na borda ou enviados diretamente.

2. Otimização de Localização do EIH:

   • Com as expressões de recursos ótimos derivados, o problema de encontrar a melhor localização do UAV torna-se um problema de minimização de custo de banda.
   • Devido à não convexidade das equações de canal, os autores utilizam o método de Aproximação Convexa Sucessiva (SCA).
   • São introduzidas variáveis de folga e aproximações de primeira ordem (Taylor) para transformar o problema em um problema convexo iterativo, garantindo convergência para uma solução local ótima.

3. Principais Contribuições

1. Modelo EIH-Empowered: Proposição de um modelo de rede não terrestre onde recursos de comunicação e computação são sinergizados no EIH para upload de dados de baixa latência.
2. Soluções Analíticas de Forma Fechada: Derivação de soluções ótimas para a configuração de recursos (banda, taxa de satélite, CPU) que revelam o trade-off fundamental entre comunicação e computação. Isso elimina a necessidade de busca numérica complexa para essa etapa.
3. Esquema de Otimização Conjunta: Desenvolvimento de um algoritmo que otimiza simultaneamente a quantidade de recursos e a localização física do UAV, considerando a interdependência entre eles.
4. Algoritmo de Localização Baseado em SCA: Aplicação de técnicas de aproximação convexa para resolver o problema de localização não convexo, adaptando a posição do UAV não apenas à geografia dos sensores, mas também ao volume de dados de cada um.

4. Resultados das Simulações

Os resultados numéricos validam a eficácia da proposta:

• Redução de Custos: O esquema proposto reduz o custo total de recursos em aproximadamente 20% em comparação com abordagens de referência (como otimização conjunta assumindo processamento sequencial ou alocação igualitária de recursos).
• Validação da Otimidade de Recursos: As simulações confirmam que a configuração de banda proposta ($B^*_{total}$) é um limite necessário e suficiente para atender aos requisitos de latência. Configurações abaixo desse limite falham, enquanto configurações acima não trazem benefícios adicionais significativos na redução de outros recursos.
• Otimização de Localização: O algoritmo de localização supera métodos heurísticos (como o centro geométrico dos sensores) e outros esquemas de otimização, posicionando o UAV em locais que equilibram melhor a distância aos sensores e o volume de dados gerado por eles.

5. Significado e Impacto

Este trabalho é significativo para o desenvolvimento de redes 6G e respostas a emergências:

• Eficiência Operacional: Demonstra que o processamento na borda (MEC) em redes não terrestres não é apenas viável, mas essencial para atender a requisitos de latência rigorosos em cenários de desastre.
• Economia de Recursos: Ao fornecer soluções analíticas e de forma fechada, o método permite uma configuração rápida e eficiente de recursos em situações de crise, onde o tempo de decisão é crítico.
• Guia para Projetos Futuros: As descobertas sobre o trade-off entre computação e comunicação oferecem diretrizes claras para o dimensionamento de UAVs e hubs de borda em missões críticas, evitando o desperdício de recursos escassos em ambientes de desastre.

Em resumo, o artigo oferece uma solução teórica robusta e prática para coordenar recursos em redes aéreas de emergência, garantindo que dados vitais sejam transmitidos rapidamente com o mínimo custo de infraestrutura.