Otimização de trajetória de nós MEC-UAVs voltados para processamento computacional em redes 5G

Abstract

O offloading de tarefas computacionais é um recurso promissor para as redes móveis 5G, que possuem uma variedade de aplicações e serviços que demandam diferentes níveis de capaci- dade dos dispositivos. Ele se utiliza de infraestruturas de computação na borda da rede para processar as requisições de usuários de dispositivos móveis, que particionam e paralelizam o processamento das aplicações. Dessa forma, garante-se a economia de recursos de energia dos usuários e uma maior capacidade de processamento. Contudo, as infraestruturas tradicionais de computação na borda multi-acesso (MEC) possuem limitações em cenários dinâmicos e apresentam um alto custo de implementação. Por isso, tem sido considerado o uso de nós de computação na rede através de veículos aéreos não tripulados (UAVs). Porém, existem desafios quanto à habilitação de sistemas de computação na borda via UAVs. Como os UAVs são dispositivos orientados a bateria, é necessário otimizar a movimentação deles a fim de evitar descarregamento precoce e assim estender a sua autonomia antes da recarga. Neste sentido, este trabalho apresenta uma solução baseada em aprendizagem por reforço para o problema de otimização de trajetória do MEC-UAV que fornece o serviço de processamento de tarefas aos usuários. A solução foi avaliada em termos de custo de energia, atraso e capacidade de processamento em comparação a outras soluções da literatura. Os Resultados mostraram que a solução proposta obteve taxa de atendimento superior quando comparada a solução baseada em MLP e uma maior porcentagem de tarefas respondidas comparada a política de movimentação por agrupamento de usuários.