Faciliter le relais URLLC face aux drones pour les systèmes MEC dans les réseaux 6-G

Faciliter le relais URLLC face aux drones pour les systèmes MEC dans les réseaux 6-G

A. Ranjha, D. Naboulsi, M. E. Emary et F. Gagnon, “Facilitating URLLC vis-á-vis UAV-Enabled Relaying for MEC Systems in 6-G Networks,” in IEEE Transactions on Reliability, doi : 10.1109/TR.2024.3357356.

Abstract or Summary

Les réseaux futuristes de sixième génération (6-G) permettront des communications ultra-fiables et à faible latence (URLLC), ce qui favorisera un large éventail d’applications critiques telles que les systèmes informatiques mobiles (MEC), qui ne sont en grande partie pas pris en charge par l’infrastructure de communication fixe. Pour remédier à ce problème, les véhicules aériens sans pilote (UAV) ont récemment été mis sous les feux de la rampe pour faciliter la CEM pour les dispositifs de l’internet des objets (IoT), car ils offrent des communications en visibilité directe souhaitables par rapport aux réseaux terrestres fixes, grâce à leur flexibilité accrue et à leur positionnement en trois dimensions. Dans cet article, nous considérons le relais par drone pour les systèmes MEC pour les transmissions en liaison montante dans les réseaux 6-G, et nous visons à optimiser le temps d’achèvement de la mission sous les contraintes de l’allocation des ressources, y compris la puissance d’émission du drone, la fréquence du CPU du drone, le taux d’erreur de décodage, la longueur de bloc, la largeur de bande de communication, et le partitionnement des tâches ainsi que le positionnement 3D du drone. En outre, pour résoudre le problème d’optimisation non convexe, nous proposons trois algorithmes différents, notamment les approximations convexes successives, l’algorithme génétique modifié (AGA) et la recherche exhaustive intelligente. Ensuite, sur la base de la complexité temporelle, du temps d’exécution et de l’analyse de convergence, nous sélectionnons l’AGA pour résoudre le problème d’optimisation donné. Les résultats de la simulation démontrent que l’algorithme proposé peut minimiser avec succès le temps d’exécution de la mission, effectuer l’allocation de puissance du côté du drone pour atténuer les fuites d’informations et l’écoute clandestine, ainsi que cartographier le positionnement du drone en 3D, ce qui donne de meilleurs résultats que les sous-méthodes de référence fixes. Enfin, grâce au positionnement 3D des drones, l’AGA peut également réduire efficacement le taux d’erreur de décodage pour la prise en charge des services URLLC.

Implications of the Research

Visuals

Supplementary Materials

Acknowledgements

Citations and References

Other Publications

Retour au haut Drag