WASP: Adaptive Weighted Multi-Objective Scheduling in UAV-Assisted Edge Computing
本文提出了 WASP，一种轻量级且无需训练的在线调度框架，该框架通过基于负载的自适应评分和鲁棒的任务接受策略，动态平衡利润、延迟、能量和安全目标，在无人机辅助边缘计算环境中，其性能表现优于现有的最先进方法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代计算领域，一场静悄悄的革命正在发生：繁重的处理任务正逐渐脱离庞大的中心化数据中心，向产生这些任务的设备端转移。这种被称为“边缘计算”的转变，能够实现更快的响应速度，并减轻远程网络的压力。然而，随着无人驾驶飞行器（即无人机）作为“飞行服务器”的引入，一个新的复杂层面出现了。这些无人机提供了惊人的灵活性，可以悬停在灾区或偏远农场上空，在原本不存在计算能力的地方提供算力。然而，它们面临着一个独特且艰巨的挑战：它们依靠有限的电池运行，必须在毫秒间做出决策——决定处理哪些任务、飞多远，以及何时停止，同时还要在速度需求、利润追求以及防止电池在飞行中途耗尽的严格要求之间取得平衡。
研究人员长期以来一直致力于制定一套规则，使这些无人机能够应对这些相互冲突的需求。传统方法通常只关注单一目标，例如最大化收益或最小化能耗，但这往往会导致其他领域的出现问题。一个追求利润的系统可能会飞得太远而导致电量耗尽，而一个仅关注速度的系统则可能会忽略有价值的任务。为了解决这一问题，一支计算机科学家团队开发了一种名为 WASP 的新型调度框架。该系统并不依赖于需要多年训练的复杂学习算法，而是使用一套智能的、自适应的规则，根据系统的繁忙程度实时改变其优先级。
WASP 的核心思想简单而有效：无人机的行为应随工作负载的变化而改变。当系统处于闲置状态且无人机电量充足时，调度器会优先处理那些能带来最高利润的任务。然而，随着等待任务数量的增加和系统变得拥挤，调度器会自动转换重心。它开始优先考虑速度和近距离，选择距离较近且能快速完成的任务，以防止队列积压。这种动态调整是在没有任何人工干预或预设训练的情况下发生的，使无人机能够对变化的情况做出即时反应。
为了确保公平性，该系统包含了一种机制，以防止任何单个任务被永久忽略。如果一个低优先级任务被多次跳过，系统就会将其标记并强制无人机处理该任务，从而确保没有任务会无限期地等待。此外，该系统设计了严格的安全余量，始终为无人机保留一部分电量，以确保其能够安全返回，绝不会完全耗尽电量。这种方法创造了一个平衡的环境，使经济目标、速度和安全性能够同时得到兼顾。
研究人员通过涉及多架无人机和地面站的大规模计算机模拟测试了这种新方法。他们将 WASP 与现有的七种调度方法（包括一些被视为该领域顶尖的方法）进行了对比。结果显示，WASP 的表现优于所有竞争对手。它通过成功在截止日期前完成近 95% 的任务，同时保持了仅为 54 秒以上的快速平均响应时间，从而获得了最高的综合评分。相比之下，其他侧重于利润的方法往往会导致安全性大幅下降，部分无人机甚至因为电量耗尽而无法完成任务。
研究还表明，WASP 的自适应特性是其成功的关键。当研究人员在不同条件下（如改变电池容量或改变无人机数量）测试该系统时，WASP 始终能通过调整其策略来维持高性能。即使在系统承受巨大压力时，它也能确保无人机的安全和任务的推进。研究人员发现，如果移除该系统的任何单一组成部分——例如根据负载改变优先级的能力或防止“饥饿”的规则——整体性能都会下降。这证实了这些特定功能的结合对于应对飞行边缘计算的复杂现实是必不可少的。
最终，这项工作证明了无需依靠超级计算机从过去的错误中学习，也能有效地管理无人机集群。通过使用一套能够根据当下情况进行调整的清晰、透明的规则，该系统实现了一种以往方法无法达到的平衡。研究结果表明，对于应急响应或公共安全监测等对安全性要求极高的应用场景，采用一种既能保证公平与安全，又能优化利润与速度的确定性方法，不仅是可能的，而且优于更复杂的基于学习的替代方案。研究人员已经证明，通过仔细调节系统在实时环境下对不同目标的权衡方式，完全可以创建一个稳健且可靠的飞行计算机网络，以应对这个动态变化的世界。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。