UAV辅助物联网设备网络的资源分配方法及系统

技术领域

本发明涉及电通信技术领域，尤其涉及UAV辅助物联网设备网络的资源分配方法及系统。

背景技术

在未来的第六代(6G)无线通信中，物联网设备(IoT)正在迅速增加并承载大量的各种服务。这些设备主要依靠地面基站(BS)进行信息传输。然而，在自然灾害、突发事件或网络故障等紧急通信场景下，当目标区域缺少BS覆盖时，物联网设备往往无法正常工作，6G无线物联网业务的超可靠低时延通信(URLLC)难以保证。因此，为了解决这一问题，有研究提出了一种利用无人机辅助通信的方案，即无人机作为空中基站，收集物联网设备数据，并将其传输给其他物联网设备或直接传输给基站，以确保物联网设备在任何情况下都能可靠运行。该方案具有灵活性高的优点，但无人机有限的电池功率仍然是一个关键挑战。与此同时，随着物联网设备的增加，不同设备之间频繁的数据交互将导致数据流量的快速增长，这将导致无人机能耗急剧增加，严重影响物联网网络的性能。因此，如何最大限度地提高网络能效(EE)已成为无人机辅助物联网网络必须解决的问题。

此外，由于无人机辅助物联网设备的网络环境实时变化，收集的信息时效性有限，特别是在救灾、环境监测等时效性敏感的服务中，时效性要求变得越来越关键。为了量化数据的及时性，有研究提出了信息时代(AoI)的概念并应用于各种无线网络，它量化了从生成到接收目的地所花费的时间。良好的AoI性能可以减少数据更新的平均时间，保证信息的及时性。因此，在6G无人机辅助的物联网数据传输网络中，如何在保证AoI的同时最大限度地提高网络EE，成为亟待解决的重要问题。

在现有的研究中，无人机辅助物联网网络已经在许多方面进行了研究。大部分的研究集中在两个方面：(i)能量和传输效率之间的关系；(ii)AoI对服务质量的影响。

为了使无人机辅助的物联网网络传输效率更高，大多数学者都考虑了能量问题。例如，有文献研究了带能量收集的无人机通信总能量最小化问题，既满足用户最小数据传输需求，又使无人机总能耗最小。有文献研究了一种基于能量效率优化的全双工无人机保密通信方案，该方案在有限的飞行时间内，对无人机航迹和发射功率进行联合优化，使其保密通信的能量效率达到最大。同时，有文献考虑了无人机辅助物联网网络下的EE问题。有文献研究了大规模机器通信网络中无人机数据采集的节能设计，提出了数据采集总能耗最小化的问题，有效地提高了整体能效。有文献提出了一种基于非正交多址的双UAV辅助IoT，其在确保特定吞吐量的同时降低了UAV的能耗。有文献提出了一种用于UAV辅助的工业IoT网络下的D2D通信的联合UAV定位和资源分配算法，该算法在传输速率和传输功率有限的情况下最大化系统的EE。有文献研究了无人机辅助物联网，其中使用多个旋翼无人机为多个地面物联网设备提供服务，可以有效提高系统的吞吐量和能效。虽然上述研究对无人机辅助组网做出了不少贡献，但很少考虑数据的时效性问题，这可能导致无人机无法接收到新鲜的信号，影响了时效性性能。

此外，一些研究考虑使用AoI来反映对时间敏感的数据。高质量的沟通通常追求更高的及时性。因此，一些学者致力于最小化AoI，以便每个IoTD都可以获得更好的通信质量。有文献研究了物联网网络中未授权大规模接入的AoI最小化问题，以最小化总AoI。有文献考虑了具有不完美信道状态信息(CSI)的基于蜂窝的医疗IoT系统，并且导出了满足传输数据中断概率和EH中断概率的平均AoI封闭形式表达式。有文献研究了物联网网络中的AoI最小化问题，包括随机相同和不同的多通道设置。有文献研究了传统协议和自动重传请求协议下的平均AoI，以提高现实中目标信息的新鲜度。此外，由于AoI可以很好地衡量数据的及时性，一些研究人员已经考虑将AoI应用于无人机服务。有文献研究了无人机辅助的智能交通系统，增强了车辆网络的使用，AoI被用来测量车辆数据包的新鲜度。有文献考虑了蜂窝互联无人机的任务感知航迹设计问题，目标是最小化最坏情况下的AoI。然而，关于无人机与AoI相结合的研究相对较少，有限的研究主要集中在理想环境下的AoI保证，而没有考虑不完善的信道状态信息(CSI)的影响。

在6G应急通信环境中，地形复杂或建筑物密集，导致不理想CSI具有随机性。由于信道估计不能实时准确地获得当前信道状态，因此会产生信道误差。这种信道的不确定性会影响数据传输的可靠性，造成传输时延和时效的不确定性。此外，不同的服务对时效的要求也不同。因此，在CSI不完善的情况下，如何保证不同业务的时效性要求是一个挑战。

发明内容

本发明提供UAV辅助物联网设备网络的资源分配方法及系统，解决的技术问题在于：如何在CSI不完善的情况下，最大限度地提高网络EE，同时确保不同的时效性要求。

为解决以上技术问题，本发明提供UAV辅助物联网设备网络的资源分配方法，包括步骤：

S1、构建UAV辅助物联网设备网络的系统模型；所述系统模型包括C个无人机即UAV，D个物联网设备即IoTD，以及J个子载波；D个物联网设备包括M个AoI容忍设备即ATD，以及N个AOI敏感设备即ASD，AoI指信息时代；无人机充当空中基站，在6G紧急场景中为物联网设备提供服务，物联网设备共享无人机的频谱资源；

S2、基于所述系统模型，建立以EE最大化为目标的随机优化模型：

max R

其中，R表示总系统速率，max表示使最大，s.t.表示需满足，

S3、对所述随机优化模型进行简化，获得简化优化模型；

S4、对所述简化优化模型进行求解。

进一步地，总系统速率R由下式计算：

由下式计算：

其中，W表示每个信道的带宽，

进一步地，

其中，

由下式计算：

进一步地，在所述步骤S3中，所述简化优化模型表示为：

max R-μE,

其中，μ表示采用Dinkelbach方法引入的辅助变量，

其中，

进一步地，在所述简化优化模型中，目标函数R-μE展开为：

其中，中间参数c

进一步地，所述步骤S4具体包括步骤：

S41、根据对偶理论得到所述简化优化模型的拉格朗日对偶函数如下：

其中，α、l

S42、基于Γ(x)将所述简化优化模型转化为拉格朗日对偶模型：

S43、根据拉格朗日的KKT条件，获得发射功率

其中，辅助参数

进一步地，所述步骤S43具体包括步骤：

S431、初始化系统参数：

S432、设置发射功率

S433、计算函数值

S434、当||g

S435、设置

S436、更新迭代点

S437、判断如果||Γ(p

S438、设置k＝k+1，并跳转到步骤S434。

本发明还提供一种UAV辅助物联网设备网络的资源分配系统，其关键在于：包括系统模型构建模块、优化模型构建模块、优化模型简化模块和优化模型求解模块；所述系统模型构建模块、优化模型构建模块、优化模型简化模块和优化模型求解模块分别用于执行上述方法中所述的步骤S1、S2、S3、S4。

本发明提供的UAV辅助物联网设备网络的资源分配方法及系统，首先对UAV辅助物联网设备网络进行系统建模，然后基于AoI模型建立了以最大化EE为目标的随机优化模型。由于无人机信道的不确定性，随机优化模型难以获得最优解。所以，对随机优化模型进行简化。最后，对简化的随机优化模型进行求解，得到优化模型的最优解。本发明提出了一种用于无人机辅助物联网设备的资源分配算法，该算法考虑了不完美CSI条件下的AoI和能量效率(AEE-ICSI)。仿真结果表明，该算法在无人机辅助物联网中具有较好的干扰效率(IE)、AoI和EE，证明了该方案的有效性。本发明的主要贡献归纳如下：

1)为了保证不同服务的时效性要求，将AoI需求转化为速率约束，使得资源分配模型能够通过约束速率阈值来保证AoI需求。

2)为了提高无人机辅助物联网的网络效率，提出了一种基于AoI模型的优化问题，以提高网络效率。结合对不同AoI业务的传输速率要求以及无人机与物联网设备之间的干扰约束，建立了基于AoI模型的随机优化模型。该模型解决了在保证不同AoI服务需求的同时最大化网络EE的问题。

3)鉴于复杂的模型环境，信道估计无法准确获得当前信道状态，使得提出的优化模型存在CSI不完善的问题，导致优化模型无法获得最优解。本文利用Dinkelbach方法、二次变换方法和高斯理论，将CSI不完美的优化模型转化为确定性凸问题。最后，提出了一种基于无人机辅助物联网通信场景的AEE-ICSI资源分配方案，对优化模型进行求解，有效提高了网络的EE。

附图说明

图1是本发明实施例提供的UAV辅助物联网设备网络的资源分配方法的流程图；

图2是本发明实施例提供的UAV辅助物联网设备网络的架构图；

图3是本发明实施例提供的AoI的示例图；

图4是本发明实施例提供的不同信道条件下IoT的IE与信道估计误差δ和τ之间的关系图；

图5是本发明实施例提供的AoI敏感服务的最大AoI阈值阈值

图6是本发明实施例提供的带宽W与IoT设备总EE之间的关系图；

图7是本发明实施例提供的带宽W与IoT设备总IE之间的关系图；

图8是本发明实施例提供的带宽W与IoT设备能量之间的关系图；

图9是本发明实施例提供的带宽W与IoT的吞吐量之间的关系图。

具体实施方式

下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。

本发明实施例提供一种UAV辅助物联网设备网络的资源分配方法，如图1所示，包括步骤：

S1、构建UAV辅助物联网设备网络的系统模型；

S2、基于系统模型，建立以EE最大化为目标的随机优化模型：

S3、对随机优化模型进行简化，获得简化优化模型；

S4、对简化优化模型进行求解。

(1)步骤S1：构建系统模型

图2中考虑了一种无人机辅助的物联网网络架构，其中无人机充当空中基站，在6G紧急场景中为物联网设备提供服务，物联网设备共享无人机的频谱资源。该网络存在C个UAV(包括UAV 1至UAV C)，和D个IoTD，D个IoTD包括携带具有AoI容限要求的服务的M个设备(包括ATD 1至ATD M)和携带具有AoI敏感要求的服务的N个设备(包括ASD 1至ASD N)，其中承载具有低及时性要求的服务的IoT设备称为AoI容忍设备(ATD)，承载具有高及时性要求的服务的IoTD称为AoI敏感设备(ASD)。此外，网络还存在J个子载波。

(2)步骤S2：构建随机优化模型

本发明使用队列理论为不同的服务构建AoI模型。在此基础上，建立了以能效最大化为目标的随机优化模型。

A、M/M/1模型的平均AOI

在无人机辅助的物联网中，信息会随着时间的推移而变化，数据的有效性与时效性密切相关。因此，我们引入了AoI的概念，它描述了BS接收到的数据的及时性，以衡量系统的性能。在6G紧急场景下，无人机辅助物联网网络的主要任务是物联网设备将收集到的数据包发送给接收到数据包的无人机，并将数据包发送给基站或其他设备。在无人机辅助的物联网网络中，我们假设源是物联网设备，目的地是无人机。t

k＝max{i|t

max表示使最大。

无人机收到的最新更新时间戳如下：

U(t)＝t

时间t处的AoI被定义为：

Δ(t)＝t-U(t)(3)

图3表示在UAV辅助的IoT网络中AoI随时间变化的示意图。曲线图中的时间曲线表示状态年龄时间A

在无人机辅助物联网中，我们假设物联网设备发送数据包的过程是一个M/M/1排队模型。在M/M/1模型中，物联网设备的数据到达率服从泊松分布，数据服务时间服从指数分布。λ是数据到达速率，并且

T

如果队列为空，则W

根据式(4)，期望

其中

平均AoI可获得为：

其中Q表示图3中的梯形区域。我们将式(6)和(7)代入(8)，M/M/1的平均AoI可得到如下：

通过推导出的平均AoI，我们可以观察到M/M/1模型中的平均AoI与IoTD的处理速率和数据到达速率有关。

B、AoI敏感服务的AoI模型

在无人机辅助的物联网设备网络中，物联网设备有两种不同的服务：AoI敏感和AoI容忍。AoI敏感的服务需要确保数据传输的及时性。然而，AoI容忍服务对及时性没有要求。因此，我们建立AoI模型的服务具有不同的AoI需求。

为了满足对AoI敏感的服务的及时性要求，平均AoI必须小于队列中允许的最大

根据Cardano的方法，通过以下方式获得用户对ASD要求的速率：

其中

其中，

C、面向AoI容忍服务的AoI模型

由于AoI容忍服务没有时效性要求，我们只需要保证所有ATD所需的最低速率，即：

其中，Pr{·}表示{·}中事件违规的概率，

根据式(12)和(14)，通过以下方式获得ATD、ASD的对应用户速率：

其中W表示每个信道的带宽。因此，根据式(15)，我们可以获得总系统速率为：

因此，系统的功率总和为：

其中p

在无人机辅助物联网网络中，采用频谱共享模式的前提是物联网设备对无人机产生的干扰必须低于预定干扰阈值，否则将影响无人机的正常通信。因此，干涉必须受到约束，如式(18)所示：

其中

D、问题公式化

在无人机辅助物联网中，为解决在保证不同业务的AoI需求的同时，最大化网络中的EE问题，建立了一种考虑不完美CSI的资源分配模型。该模型综合考虑了无人机发射功率约束、设备间干扰约束和信道选择约束，以实现能效最大化，数学模型如式(19)所示：

其中，约束C

(3)步骤S3：简化随机优化模型

从随机优化模型可以看出，引入不完美CSI的随机参数h

由于优化模型是一个分式目标函数，求解起来比较困难。因此，采用Dinkelbach方法引入辅助变量μ，将目标函数转化为参数减法的形式：

F(μ)＝R-μE (20)

将目标函数展开为(21)：

同时，由于速率约束的复杂性，很难获得EE的解析解。因此，我们根据二次变换方法简化速率方程。将ATD下的速率方程转化为：

其中，为简化定义的中间参数

其中

由于

其中，

由于随机参数的影响，ATD的速率约束变成了难以求解的不确定约束。因此，为减轻随机参数的影响，我们将速率约束转换为式(25)：

其中，

式中，

根据高斯定理，可以得到：

其中，Q

由于公式比较复杂，求解优化模型比较困难。因此，根据不等式

其中

其中

在带ASD的速率约束中，随机参数也存在，这给优化模型的求解带来了困难。我们将速率约束转换为：

基于相同的方法，式(30)被重写为：

其中，在m处，

式中

因为(33)式很复杂，所以不容易得到解析式。经过简化，我们可以得到：

其中

式中，

其中目标函数表示为(37)：

(4)步骤S4：模型的求解

由于优化模型(37)中的目标函数包含随机参数的影响因素，因此优化问题不属于凸优化问题的范畴。对于非凸优化问题，由于其对偶问题属于凸优化问题的范畴，我们将其转化为对偶问题。基于此，步骤S4具体包括步骤：

S41、根据对偶理论得到简化优化模型的拉格朗日对偶函数Γ(x)；

S42、基于Γ(x)将简化优化模型转化为拉格朗日对偶模型；

S43、根据拉格朗日的KKT条件，获得发射功率

根据对偶理论，得到优化问题的拉格朗日对偶函数如下：

其中，α、l

其中：

因此，优化问题(36)被拉格朗日对偶问题代替。然后，拉格朗日对偶问题可以公式化为：

因此，根据拉格朗日的KKT条件，可以获得发射功率

式(42)可以转化为：

因此，它等于：

其中

在式(45)的基础上，得到了优化模型的幂函数解。根据式(16)和(17)，可以得到IoTDS服务的EE。

步骤S43具体包括步骤：

S431、初始化系统参数：

S432、设置发射功率

S433、计算函数值

S434、当||g

S435、设置

S436、更新迭代点

S437、判断如果||Γ(p

S438、设置k＝k+1，并跳转到步骤S434。

我们使用迭代算法来找到

AEE-ICSI资源分配算法的伪代码如表1所示。

表1：算法伪代码

根据表1伪代码，在每次迭代过程中可以得到无人机发射功率

基于上述方法，本实施例还提供一种UAV辅助物联网设备网络的资源分配系统，包括系统模型构建模块、优化模型构建模块、优化模型简化模块和优化模型求解模块；系统模型构建模块、优化模型构建模块、优化模型简化模块和优化模型求解模块分别用于执行上述方法中的步骤S1、S2、S3、S4。

下面进行仿真分析。

本发明提供6G紧急情况下的数值和仿真结果，以显示所提出的算法的性能，并验证我们提出的优化的效率。仿真场景为6G应急场景下的无人机辅助物联网网络。无人机数量为30架，物联网设备数量为20架，基站带宽为5MHz。其余模拟参数设置如表2所示。

表2：模拟参数设置

图4示出了在不同信道条件下IoTD的IE与信道估计误差δ和τ之间的关系。图4中IoTD 1的信道条件为

图5示出了用于AoI敏感服务的最大AoI阈值

图6示出了带宽W与IoT的总EE之间的关系。从图6可以看出，在6G紧急场景下，所提出的AEE-ICSI资源分配算法比对比算法具有更高的EE。我们还可以看到，当带宽W增加时，相应的EE也迅速增加。同时，我们也可以看到所提出的AEEICSI资源分配算法在不同信道估计误差下的效率。当信道估计误差τ较大时，IoTD的总EE较小。

图7示出了带宽W与IoT的总IE之间的关系。从图7可以看出，所提出的AEE-ICSI资源分配算法具有比比较算法更低的IE。当带宽W增加时，相应的IE也增加，但增长曲线相对平坦。我们还可以看到所提出的AEE-ICSI资源分配算法在不同信道估计误差下的IE。当信道估计误差τ更显著时，设备的总IE更大。

将图6与图7进行比较，可以看出，UAV辅助的IoT网络中的总EE高于总IE，这表明所提出的AEE-ICSI资源分配算法比比较算法具有更好的性能。在6G应急场景下，能够有效保障CSI不完善情况下的EE和不同AoI业务的时效性要求。

图8示出了带宽W与IoT的能量之间的关系。从图8可以看出，本文提出的AEE-ICSI资源分配算法比对比算法具有更高的能量。当带宽W增加时，相应的能量也迅速增加。我们还可以看到所提出的AEE-ICSI资源分配算法对于不同信道估计误差的能量。当信道估计误差τ较大时，其IoTD的EE较低。

在图6、图7和图8中，我们可以观察到，在6G紧急情况下，当估计误差δ和τ较小时，信道增益更接近精确值，UAV辅助IoT网络的总速率增加，并且相应的EE和IE变小。

图9示出了带宽W与IoT的吞吐量之间的关系。从图9可以看出，提出的AEE-ICSI资源分配算法IoTD的吞吐量(bits/J)总EE(bits/J)比对比算法有更高的吞吐量。我们还可以看到所提出的AEE-ICSI资源分配算法在不同信道估计误差下的吞吐量。当信道估计误差较小时，IoTD的吞吐量较大。类似地，当信道估计误差τ较小时，总系统速率增加，即IoT的吞吐量增加。

从上述仿真结果可以看出，在6G紧急场景下，当信道条件发生变化时，可以观察到所提出的AEE-ICSI资源分配算法的IE和EE会增加，在相同环境下，随着信道估计误差的增加，吞吐量会下降。同时可以看到，在AoI敏感的业务中，AoI的增加也会降低网络的吞吐量。这表明，在无人机辅助物联网网络中提出的AEE-ICSI资源分配算法能够有效降低干扰，提高网络的EE。

综上所述，本发明实施例提供一种UAV辅助物联网设备网络的资源分配方法，研究了在无人机辅助物联网网络中最大化网络EE的同时确保不同AoI要求的问题。首先，考虑到6G应急通信场景下不同业务对数据时效性的要求不同，基于M/M/1系统下的平均AoI建立了不同业务的AoI模型，并将不同的AoI要求转化为速率表达式。在此基础上，提出了一种AEE-ICSI资源分配算法，并建立了在保证数据时效性的前提下，最大化资源效率的优化模型。最后，在优化模型中，我们使用Dinkelbach方法引入辅助变量来简化优化目标函数。同时，针对无人机辅助物联网中的信道不确定性问题，提出了一种基于高斯理论的简化方法。此外，我们还分析了所提出的AEE-ICSI资源分配算法的的复杂度。仿真结果表明，所提出的AEE-ICSI资源分配算法具有较好的IE和EE性能，证明了该方案的有效性。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。