摘 要：

無人機(jī)（unmanned aerial vehicle， UAV）邊緣計(jì)算技術(shù)將UAV平臺與移動邊緣計(jì)算技術(shù)相結(jié)合，充分利用UAV的靈活性和機(jī)動性，為用戶設(shè)備提供及時有效的計(jì)算服務(wù)。從UAV邊緣計(jì)算的網(wǎng)絡(luò)架構(gòu)入手，提出基于網(wǎng)絡(luò)功能虛擬化和軟件定義網(wǎng)絡(luò)的技術(shù)架構(gòu)。針對UAV邊緣計(jì)算的關(guān)鍵技術(shù)，總結(jié)對比UAV邊緣計(jì)算中不同的多址接入方案，并從不同的優(yōu)化目標(biāo)出發(fā)，對基于經(jīng)典非凸優(yōu)化、博弈論以及人工智能方法的計(jì)算卸載策略進(jìn)行總結(jié)和分析。最后，探討和展望未來的研究方向。

關(guān)鍵詞：

無人機(jī); 移動邊緣計(jì)算; 網(wǎng)絡(luò)架構(gòu); 多址接入; 計(jì)算卸載

中圖分類號：

TN 92

文獻(xiàn)標(biāo)志碼： A""" DOI：10.12305/j.issn.1001-506X.2024.09.31

Unmanned aerial vehicle-enabled edge computing： architecture， multiple access and computation offloading

LIU Pengtao， LEI Jing*， LIU Wei

（College of Electronic Science and Technology， National University of Defense

Technology， Changsha 410073， China）

Abstract：

Unmanned aerial vehicle （UAV）-enabled edge computing combines mobile edge computing technology with UAV platform. It can provide timely and effective computing services for wireless devices by taking advantages of the flexible deployment and mobility of UAV. Starting with the network architecture of UAV-enabled edge computing， the technical architecture based on network function virtualization and software-defined networks is proposed. For the key technologies of UAV-enabled edge computing， different multiple access schemes in UAV-enabled edge computing network are compared. Furthermore， according to different optimization objectives， the computation offloading strategies based on classical non-convex optimization， game theory， and artificial intelligence are summarized and analyzed. Finally， the future research direction is discussed and prospected.

Keywords：

unmanned aerial vehicle （UAV）; mobile edge computing; network architecture; multiple access; computation offloading

0 引 言

近年來，無人機(jī)（unmanned aerial vehicle， UAV）通信系統(tǒng)的發(fā)展呈現(xiàn)出迅猛的勢頭。這一技術(shù)領(lǐng)域的突飛猛進(jìn)不僅推動了UAV行業(yè)的快速發(fā)展，也為各個領(lǐng)域帶來了新的可能性和前景。首先，UAV通信系統(tǒng)在軍事領(lǐng)域發(fā)揮著越來越重要的作用。軍事部隊(duì)利用UAV進(jìn)行偵察、監(jiān)視、目標(biāo)定位等任務(wù)，而這些任務(wù)的成功執(zhí)行離不開高效可靠的通信系統(tǒng)。其次，在商業(yè)領(lǐng)域，UAV通信系統(tǒng)的迅速發(fā)展也催生了諸多應(yīng)用。從快遞配送到農(nóng)業(yè)植保，UAV在商業(yè)運(yùn)營中的應(yīng)用場景日益豐富。隨著消費(fèi)級UAV市場的不斷擴(kuò)大，普通消費(fèi)者對UAV通信系統(tǒng)的需求也與日俱增。在娛樂、攝影等領(lǐng)域，UAV已經(jīng)成為了常見的工具，而其通信系統(tǒng)的穩(wěn)定性、傳輸速度等方面的提升，將進(jìn)一步滿足用戶對于UAV功能和性能的需求。UAV通信系統(tǒng)的發(fā)展不僅僅受益于UAV本身技術(shù)的進(jìn)步，同時也離不開通信技術(shù)的創(chuàng)新。隨著5G、物聯(lián)網(wǎng)、邊緣計(jì)算等新一代通信技術(shù)的不斷成熟［1］，UAV通信系統(tǒng)的性能將得到極大的提升，從而為UAV的廣泛應(yīng)用打下更加堅(jiān)實(shí)的基礎(chǔ)。

另一方面，隨著信息技術(shù)的快速發(fā)展，終端設(shè)備的數(shù)量不斷增加。移動互聯(lián)網(wǎng)服務(wù)的爆炸式增長催生了各種需要大量計(jì)算的應(yīng)用程序，如虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)、自動駕駛、人工智能、數(shù)據(jù)分析等應(yīng)用。終端的計(jì)算任務(wù)對時延要求越來越高，這給計(jì)算能力有限的終端用戶帶來了沉重的計(jì)算負(fù)擔(dān)，算力資源受限與低時延要求的矛盾越來越突出?，F(xiàn)有的云計(jì)算面臨著核心網(wǎng)傳輸時延過長的問題，無法及時滿足終端設(shè)備數(shù)據(jù)流量爆炸式增長的計(jì)算處理需求。而移動邊緣計(jì)算（mobile edge computing， MEC）［2］可以將云端的計(jì)算資源下沉到網(wǎng)絡(luò)邊緣，減少核心網(wǎng)帶寬占用，為終端用戶提供及時有效的計(jì)算服務(wù)，降低任務(wù)計(jì)算時間。傳統(tǒng)的MEC系統(tǒng)通常將MEC服務(wù)器部署于基站、接入點(diǎn)等網(wǎng)絡(luò)邊緣位置。由于其固定的架構(gòu)，存在靈活性差、部署成本高的問題。然而，未來的網(wǎng)絡(luò)不僅需要能夠適應(yīng)動態(tài)和異構(gòu)的環(huán)境，還應(yīng)該能夠以快速和高可靠的方式支持熱點(diǎn)區(qū)域和臨時的任務(wù)計(jì)算。最近研究表明，MEC服務(wù)器也可以搭載于UAV［3］。Axellio公司針對UAV開發(fā)出了一款輕量級邊緣計(jì)算平臺FabricXpress［4］。

相較于傳統(tǒng)的地面MEC網(wǎng)絡(luò)，UAV輔助的MEC（UAV-MEC）網(wǎng)絡(luò)有以下優(yōu)勢：① UAV可以在荒野、沙漠、受災(zāi)地域、軍事行動等多數(shù)情況下靈活部署。② UAV能夠與地面用戶、基站建立視距鏈路（line of sight， LoS）［5］，從而擴(kuò)大服務(wù)覆蓋范圍、提高數(shù)據(jù)傳輸?shù)姆€(wěn)定性和可靠性，并有助于提高計(jì)算性能。③ UAV的移動性能夠適應(yīng)用戶設(shè)備數(shù)量、位置和服務(wù)需求的不斷變化，從而為移動用戶提供無縫計(jì)算服務(wù)，保證計(jì)算服務(wù)的連續(xù)性，并可為其他計(jì)算資源受限的UAV提供支持。此外，在UAV進(jìn)行搜索和救援時，處理圖像所需的計(jì)算能力和存儲能力較強(qiáng)，以人臉識別為代表的任務(wù)需求需要實(shí)時上傳視頻并進(jìn)行決策。對于計(jì)算能力有限的UAV，可以將這些計(jì)算密集型任務(wù)轉(zhuǎn)移至MEC服務(wù)器、空閑的UAV、地面基站或接入點(diǎn)。

目前，已經(jīng)有一些關(guān)于UAV和邊緣計(jì)算的相關(guān)研究綜述文章。在UAV的綜述中，文獻(xiàn)［6］對UAV網(wǎng)絡(luò)中多種接入技術(shù)進(jìn)行全面的總結(jié)與對比。文獻(xiàn)［7］回顧非正交多址接入（non-orthogonal multiple access， NOMA）在UAV網(wǎng)絡(luò)中的應(yīng)用。在邊緣計(jì)算的綜述中，文獻(xiàn)［8］提出MEC技術(shù)的實(shí)現(xiàn)依賴于網(wǎng)絡(luò)功能虛擬化（network function virtualization， NFV）和軟件定義網(wǎng)絡(luò)（software defined network， SDN），并將虛擬化的資源通過虛擬功能網(wǎng)元（virtual network function， VNF）執(zhí)行。文獻(xiàn)［9］針對MEC中的計(jì)算卸載方案進(jìn)行分析總結(jié)。在UAV-MEC網(wǎng)絡(luò)的綜述中，文獻(xiàn)［10］簡要介紹UAV-MEC網(wǎng)絡(luò)的體系架構(gòu)、任務(wù)卸載的工作原理、計(jì)算卸載時采用的不同接入方案。文獻(xiàn)［11］提出一種融合UAV和邊緣計(jì)算的網(wǎng)絡(luò)架構(gòu)，并簡單分析總結(jié)多用戶接入技術(shù)與計(jì)算卸載策略。文獻(xiàn)［12］探索一種基于SDN的UAV-MEC框架。文獻(xiàn)［13］對UAV-MEC網(wǎng)絡(luò)的資源優(yōu)化問題進(jìn)行綜述，提出基于軟件定義UAV網(wǎng)絡(luò)的總體架構(gòu)。文獻(xiàn)［14］中簡要概述UAV搭載MEC設(shè)備的基本網(wǎng)絡(luò)架構(gòu)，重點(diǎn)對現(xiàn)有的卸載算法進(jìn)行了調(diào)查和分析對比。文獻(xiàn)［15］總結(jié)多UAV-MEC網(wǎng)絡(luò)中多址接入與計(jì)算卸載決策。文獻(xiàn)［16］總結(jié)利用智能方法解決UAV-MEC網(wǎng)絡(luò)中以最小化能耗、最小化時延、最大化任務(wù)處理數(shù)為目標(biāo)的資源優(yōu)化問題。限于篇幅和側(cè)重點(diǎn)，上述綜述文章只是簡單地介紹UAV-MEC網(wǎng)絡(luò)中的技術(shù)架構(gòu)和多用戶接入方案。本文的創(chuàng)新之處在于針對UAV-MEC網(wǎng)絡(luò)的技術(shù)架構(gòu)進(jìn)行詳細(xì)的介紹，從多用戶接入的角度出發(fā)，詳細(xì)對比多種接入方案，并分析其對計(jì)算卸載時延與能耗性能的影響，給出多種最新的計(jì)算卸載策略。通過詳細(xì)描述UAV-MEC網(wǎng)絡(luò)的技術(shù)架構(gòu)，更好地了解該網(wǎng)絡(luò)的組成部分。通過對比不同的接入方案，綜述給出對計(jì)算卸載性能的影響，為讀者提供了深入分析、選擇接入方案和計(jì)算卸載策略的依據(jù)。本文首先總結(jié)UAV-MEC網(wǎng)絡(luò)的技術(shù)架構(gòu)以及應(yīng)用場景，然后從多址接入方案、計(jì)算卸載策略這兩方面介紹和分析網(wǎng)絡(luò)中的關(guān)鍵技術(shù)，最后將會探討未來的挑戰(zhàn)以及發(fā)展方向。

1 UAV-MEC架構(gòu)與應(yīng)用場景

本節(jié)將搭建UAV-MEC網(wǎng)絡(luò)的技術(shù)架構(gòu)，并介紹UAV-MEC網(wǎng)絡(luò)的實(shí)際應(yīng)用場景。

1.1 UAV-MEC技術(shù)架構(gòu)

根據(jù)前文所述，MEC技術(shù)的實(shí)現(xiàn)依賴于NFV和SDN。然而，由于UAV自身體積小且高速移動，將邊緣計(jì)算平臺搭載于UAV面臨著一定的挑戰(zhàn)。因此，本節(jié)將結(jié)合NFV和SDN的特點(diǎn)，將其引入UAV網(wǎng)絡(luò)中，搭建適應(yīng)UAV-MEC網(wǎng)絡(luò)的技術(shù)架構(gòu)。以NFV和SDN這兩個關(guān)鍵技術(shù)為支撐UAV搭載輕量級移動計(jì)算平臺、實(shí)現(xiàn)任務(wù)計(jì)算功能，為UAV-MEC網(wǎng)絡(luò)從理論到實(shí)踐起了重要的推動作用。通過NFV，可以使得MEC服務(wù)器根據(jù)計(jì)算任務(wù)的需求變化動態(tài)調(diào)整提供的計(jì)算資源，方便實(shí)現(xiàn)多UAV之間的通信、計(jì)算資源的高效共享。通過SDN，可以實(shí)現(xiàn)控制平面與數(shù)據(jù)平面的分離，方便獲取區(qū)域內(nèi)各個終端用戶的狀態(tài)以及動態(tài)變化情況，實(shí)現(xiàn)計(jì)算任務(wù)的有效分配。適應(yīng)UAV-MEC網(wǎng)絡(luò)技術(shù)架構(gòu)如圖1所示。

1.1.1 UAV-MEC網(wǎng)絡(luò)功能虛擬化

NFV技術(shù)實(shí)現(xiàn)了硬件和軟件應(yīng)用程序的隔離，使用戶能夠在硬件上運(yùn)行由多個虛擬機(jī)組成的仿真環(huán)境，并通過訪問物理資源進(jìn)行操作。物理層由計(jì)算硬件、存儲硬件和網(wǎng)絡(luò)硬件組成。通過將硬件映射為虛擬化格式，可以更加方便地訪問和管理計(jì)算資源。將NFV技術(shù)引入UAV-MEC網(wǎng)絡(luò)，可以將UAV中配備的MEC服務(wù)器的硬件資源抽象為虛擬化的計(jì)算資源，形成包括虛擬計(jì)算、虛擬存儲和虛擬節(jié)點(diǎn)的虛擬化層，并將請求的資源提供給VNF執(zhí)行。

利用NFV技術(shù)，配備MEC服務(wù)器的UAV可以通過創(chuàng)建多個虛擬機(jī)或輕量級的容器，實(shí)現(xiàn)有效的計(jì)算資源虛擬化分割，為多個終端設(shè)備的不同類型任務(wù)提供計(jì)算服務(wù)。文獻(xiàn)［17］提出了通過NFV技術(shù)，優(yōu)化UAV的部署和飛行控制，確保UAV提供服務(wù)的可靠性和用戶服務(wù)質(zhì)量（quality of service， QoS）需求。借鑒文獻(xiàn)［11-12］的思想，本文提出UAV-MEC網(wǎng)絡(luò)可以虛擬化為物理層、虛擬化資源層、VNF控制層和編排器層。物理層是機(jī)載的MEC服務(wù)器網(wǎng)絡(luò)、計(jì)算、存儲平臺。虛擬化資源層將硬件平臺資源抽象為虛擬化的資源。VNF控制層是通過VNF進(jìn)行虛擬化計(jì)算、存儲資源的管理與調(diào)度。編排器層是對虛擬化的容器進(jìn)行編排，使之能夠順利地接收終端設(shè)備的計(jì)算任務(wù)，并及時調(diào)整計(jì)算資源的分配。

1.1.2 UAV-MEC SDN

SDN的核心思想是將控制平面與數(shù)據(jù)平面分離，使得控制平面負(fù)責(zé)上層的控制決策，而數(shù)據(jù)平面負(fù)責(zé)數(shù)據(jù)的接收與轉(zhuǎn)發(fā)。通過開放式的可編程接口，可以實(shí)現(xiàn)多控制器以及多實(shí)體設(shè)備的通信。將SDN引入UAV-MEC網(wǎng)絡(luò)能夠有效降低UAV的負(fù)載，簡化UAV-MEC網(wǎng)絡(luò)的結(jié)構(gòu)。

通過SDN，能夠有效地管理網(wǎng)絡(luò)資源，降低UAV負(fù)載，實(shí)現(xiàn)對UAV節(jié)點(diǎn)進(jìn)行集中控制。根據(jù)文獻(xiàn)［12］所述，UAV集群中的通信、計(jì)算和存儲資源通過NFV虛擬成UAV-MEC網(wǎng)絡(luò)的資源池。SDN的南向接口負(fù)責(zé)與數(shù)據(jù)平面（即虛擬的資源池）進(jìn)行通信，為SDN控制器收集關(guān)于系統(tǒng)整體狀態(tài)信息，包括計(jì)算任務(wù)、UAV和MEC服務(wù)器之間的通信和計(jì)算資源。SDN控制器部署于UAV集群的簇頭位置，負(fù)責(zé)管理整體的資源分配、任務(wù)卸載、軌跡規(guī)劃等功能。SDN的北向接口負(fù)責(zé)與應(yīng)用平面（即資源池的分配，UAV動作）進(jìn)行通信，分發(fā)控制指令。應(yīng)用平面執(zhí)行相應(yīng)的動作。在UAV-MEC網(wǎng)絡(luò)中，SDN控制器可劃分為通信模塊、計(jì)算模塊、緩存模塊、移動性管理模塊、軌跡優(yōu)化模塊和任務(wù)調(diào)度模塊。

（1） 通信模塊：負(fù)責(zé)地面終端設(shè)備、基站、地面控制器與UAV的通信，或UAV集群之間的通信，以及通信資源（頻帶，干擾管理，功率）的分配與調(diào)度。

（2） 計(jì)算模塊：利用輕量化的MEC平臺，滿足UAV自身或其他用戶終端的圖像處理、目標(biāo)識別等任務(wù)的計(jì)算能力，以及負(fù)責(zé)任務(wù)卸載決策的執(zhí)行。

（3） 緩存模塊：利用經(jīng)典優(yōu)化算法、強(qiáng)化學(xué)習(xí)等方法，對區(qū)域用戶的內(nèi)容的流行度進(jìn)行判斷，并執(zhí)行緩存決策，更新緩存文件。

（4） 移動性管理模塊：當(dāng)用戶設(shè)備以及UAV動態(tài)移動時，終端設(shè)備可能會離開UAV的服務(wù)范圍，通過移動性管理模塊，可以提前將任務(wù)或計(jì)算結(jié)果交給其他UAV，保證流暢的任務(wù)卸載服務(wù)。

（5） 軌跡規(guī)劃模塊：UAV執(zhí)行任務(wù)時，根據(jù)多個終端的計(jì)算請求以及UAV集群中其他UAV的位置，規(guī)劃飛行軌跡，并執(zhí)行優(yōu)化的軌跡策略。

（6） 任務(wù)調(diào)度模塊：當(dāng)UAV能源不足或配備的MEC計(jì)算資源不足時，可以通過任務(wù)調(diào)度模塊，將部分任務(wù)卸載到MEC服務(wù)器空閑的地面基站或UAV。

1.2 UAV-MEC應(yīng)用場景

在UAV-MEC網(wǎng)絡(luò)中，UAV可以被視為攜帶計(jì)算任務(wù)的用戶、協(xié)助用戶卸載計(jì)算任務(wù)的中繼以及執(zhí)行計(jì)算任務(wù)的MEC服務(wù)器。圖2展示了UAV在UAV-MEC網(wǎng)絡(luò)中的典型交互場景。UAV-MEC的應(yīng)用場景有偏遠(yuǎn)地區(qū)、戰(zhàn)場偵察、緊急救援、智能人群監(jiān)控、城市熱點(diǎn)保障等，如圖3所示。其中，前3個應(yīng)用場景是不適合建立地面MEC網(wǎng)絡(luò)或地面MEC網(wǎng)絡(luò)遭到破壞的情況。此時，UAV-MEC網(wǎng)絡(luò)成為了一種理想的替代方案。而后2個應(yīng)用場景中，UAV-MEC網(wǎng)絡(luò)相比地面MEC網(wǎng)絡(luò)有更大的優(yōu)勢，可以通過兩者的協(xié)同提供更優(yōu)質(zhì)的計(jì)算保障服務(wù)。

（1） 偏遠(yuǎn)地區(qū)。在荒野、沙漠、森林、火山和其他復(fù)雜地形等偏遠(yuǎn)地區(qū)情況下，建立地面MEC網(wǎng)絡(luò)難度較大并且性價比低。在這些地方，UAV會執(zhí)行例如動物追蹤、植被樹冠分析、火山探測、核輻射評估等任務(wù)。部分?jǐn)?shù)據(jù)由UAV的攝像機(jī)收集得到，另一部分?jǐn)?shù)據(jù)則是由位于這些區(qū)域的傳感器傳輸?shù)経AV獲得的。通過UAV-MEC網(wǎng)絡(luò)，可以及時處理收集到的數(shù)據(jù)，生成準(zhǔn)確的實(shí)時結(jié)果信息。

（2） 戰(zhàn)場偵察。在戰(zhàn)場上，短時會有大量時延敏感型任務(wù)請求，例如需要實(shí)時準(zhǔn)確估計(jì)對方勢力的位置，對目標(biāo)進(jìn)行識別。使用搭載MEC服務(wù)器的UAV集群，可以直接將收集到的圖像、截獲的通信信號，在MEC平臺進(jìn)行處理，迅速得到結(jié)果，并反饋到相關(guān)服務(wù)請求的用戶設(shè)備。

（3） 緊急救援。在遇到自然災(zāi)害如洪水地震時，地面MEC網(wǎng)絡(luò)可能被破壞。利用配備紅外攝像頭的UAV集群進(jìn)行緊急救援時，可以通過識別體溫或圖像營救幸存者，此時需要及時處理圖像識別、人臉識別等任務(wù)。在這種情況下，首先需要對圖像進(jìn)行增強(qiáng)、處理，然后應(yīng)用計(jì)算密集型的計(jì)算機(jī)視覺算法。相比傳輸?shù)皆贫耍肬AV-MEC網(wǎng)絡(luò)可以大大降低時間。

（4） 智能人群監(jiān)控。UAV-MEC網(wǎng)絡(luò)可以用于基于人臉識別的人群監(jiān)控，在大量人群中識別出指定的可疑分子。在城市繁華的中心區(qū)域，通過對大量監(jiān)控?cái)z像頭或UAV的圖像處理，識別罪犯和發(fā)現(xiàn)任何其他可疑的人類活動，保護(hù)人群安全。文獻(xiàn)［18］開發(fā)基于UAV-MEC網(wǎng)絡(luò)人群監(jiān)控的實(shí)物平臺，實(shí)驗(yàn)表明該平臺可以降低能耗并顯著提高系統(tǒng)響應(yīng)能力。

（5） 城市熱點(diǎn)保障。在熱點(diǎn)地區(qū)，如體育場比賽或露天音樂節(jié)，大量觀眾可能有興趣錄制、上傳、共享或下載高質(zhì)量的視頻。在這些情況下，可能會有眾多的用戶設(shè)備同時請求計(jì)算密集型服務(wù)。UAV-MEC網(wǎng)絡(luò)可以靈活部署并協(xié)助地面的MEC網(wǎng)絡(luò)，提供計(jì)算和內(nèi)容緩存服務(wù)，提高用戶服務(wù)質(zhì)量。

2 關(guān)鍵技術(shù)與進(jìn)展

UAV-MEC網(wǎng)絡(luò)，使得終端用戶設(shè)備能夠?qū)⑵溆?jì)算任務(wù)卸載到配備MEC服務(wù)器的UAV進(jìn)行處理，這為應(yīng)對任務(wù)及時處理提供了一種有效的解決方案。在UAV-MEC網(wǎng)絡(luò)需要通過無線鏈路進(jìn)行終端用戶和UAV之間的數(shù)據(jù)傳輸。相比地面?zhèn)鬏敚琔AV在空中覆蓋范圍更大，需要服務(wù)的用戶數(shù)更多。在實(shí)時救災(zāi)或戰(zhàn)場偵察時，海量的用戶設(shè)備同時接入UAV，對UAV-MEC網(wǎng)絡(luò)造成了巨大的壓力，因此相比地面的MEC網(wǎng)絡(luò)，UAV與地面設(shè)備之間需要更具有魯棒性、支持大并發(fā)數(shù)的多址接入方案。并且，UAV-MEC網(wǎng)絡(luò)需要支持高效的計(jì)算卸載，UAV負(fù)載和電池受限，如何在飛行過程針對最小化任務(wù)完成時間、系統(tǒng)能耗以及權(quán)衡時延能耗的優(yōu)化目標(biāo)制定計(jì)算卸載策略合理地服務(wù)設(shè)備，也是學(xué)術(shù)界關(guān)注的重點(diǎn)。下面以多址接入技術(shù)和計(jì)算卸載策略為代表分析研究現(xiàn)狀。

2.1 多址接入技術(shù)

多址接入技術(shù)可以分為正交多址接入（orthogonal multiple access， OMA）和NOMA。下面將分別介紹OMA和NOMA接入方案下的UAV-MEC系統(tǒng)。

2.1.1 OMA

在傳統(tǒng)的UAV和邊緣計(jì)算網(wǎng)絡(luò)［6］中通常采用OMA方式，包括時分多址（time division multiple access， TDMA），頻分多址（frequency division multiple access， FDMA），正交FDMA（orthogonal FDMA， OFDMA），碼分多址（code division multiple access， CDMA）和空分多址（space division multiple access， SDMA）。在TDMA中，不同的時隙被分配給與UAV通信的不同用戶。在FDMA和OFDMA中，不同的頻帶或正交的子載波被分配給用戶［19］，而在CDMA中，不同的設(shè)備有不同的正交碼。在SDMA中，使用波束成形對用戶組進(jìn)行空間分離，為每個組提供全時間或頻率資源。圖4為UAV-MEC網(wǎng)絡(luò)中全向天線與SDMA的示意圖，其中UAV采用全向天線與多設(shè)備進(jìn)行通信時，會在其他資源域進(jìn)行多用戶的區(qū)分，具體如圖5所示。

文獻(xiàn)［20］研究一種基于UAV的MEC系統(tǒng)，為了提高UAV的能效，提出一種基于TDMA接入方案的工作排隊(duì)模型，該模型允許UAV-MEC系統(tǒng)中不同用戶設(shè)備的并行傳輸和執(zhí)行任務(wù);利用塊坐標(biāo)下降（block coordinate descent， BCD）法、拉格朗日對偶算法和流水作業(yè)排序算法，聯(lián)合優(yōu)化UAV飛行節(jié)點(diǎn)關(guān)聯(lián)、計(jì)算資源分配、UAV懸停時間、無線供電時間和UAV飛行節(jié)點(diǎn)服務(wù)順序，實(shí)現(xiàn)UAV總能耗的最小化。文獻(xiàn)［21］從物理層安全的角度研究基于TDMA方案的UAV-MEC系統(tǒng)，為了解決多變量高度耦合的非凸問題，采用BCD算法對UAV的軌跡和計(jì)算資源進(jìn)行聯(lián)合優(yōu)化，優(yōu)化TDMA方案最小安全計(jì)算能力最大化的問題。

在UAV-MEC系統(tǒng)中在以強(qiáng)視距路徑為主、頻率選擇性小的空對地信道時更適合FDMA接入方案［22］。文獻(xiàn)［23］研究UAV與基站協(xié)同為物聯(lián)網(wǎng)設(shè)備提供MEC服務(wù)，在任務(wù)卸載過程中，使用FDMA方案以帶寬區(qū)分多用戶設(shè)備;通過聯(lián)合優(yōu)化UAV的位置、通信和計(jì)算資源分配，以及任務(wù)卸載決策，利用連續(xù)凸近似（sucessive convex approximation，SCA）算法求解一個以所有物聯(lián)網(wǎng)設(shè)備業(yè)務(wù)時延和UAV能耗加權(quán)之和最小為目標(biāo)的優(yōu)化問題。文獻(xiàn)［24］考慮具備時間敏感性任務(wù)的設(shè)備需求，研究基于FDMA的UAV-MEC網(wǎng)絡(luò)，該網(wǎng)絡(luò)由多UAV為用戶設(shè)備提供協(xié)同卸載服務(wù);利用BCD和交替迭代算法，對UAV的飛行軌跡、資源分配和卸載決策進(jìn)行聯(lián)合優(yōu)化，使系統(tǒng)總能耗最小。

文獻(xiàn)［25］研究OFDMA接入方案下UAV-MEC系統(tǒng)中的延遲感知調(diào)度問題，通過對時分雙工（time division duplex， TDD）和頻分雙工（frequency division duplex， FDD）兩種模式的研究，提出基于對偶理論的備選搜索優(yōu)化和SCA的算法，解決基于下行傳輸功率和子載波分配的資源分配問題，該算法可以快速收斂并具有較小的計(jì)算復(fù)雜度。文獻(xiàn)［26］討論OFDMA框架下MEC網(wǎng)絡(luò)中計(jì)算效率加權(quán)和最大化問題，并推導(dǎo)最優(yōu)子信道和功率分配方案的閉式表達(dá)式。文獻(xiàn)［27］研究地面MEC服務(wù)器和UAV-MEC網(wǎng)絡(luò)協(xié)同工作，地面用戶在保證最小計(jì)算量的情況下，將剩余的任務(wù)分配給地面服務(wù)器和基于OFDMA方案的UAV服務(wù)器，通過優(yōu)化用戶設(shè)備占用OFDMA方案的正交頻帶以及發(fā)射功率使得設(shè)備與UAV之間傳輸速率的最大化。

針對UAV群實(shí)時空中監(jiān)視網(wǎng)絡(luò)對距離和吞吐量的需求，文獻(xiàn)［28］將CDMA方案引入IEEE 802.11ah標(biāo)準(zhǔn)，以適應(yīng)UAV群體通信場景下的多個用戶設(shè)備多路訪問，從而為傳輸視頻和其他有效載荷信息提供不同數(shù)據(jù)速率的多用戶通信能力。文獻(xiàn)［29］研究基于CDMA接入方案的UAV-MEC系統(tǒng)，設(shè)備通過CDMA接入UAV的MEC服務(wù)器，不同的正交碼允許多個用戶同時有效地共享頻譜資源;在卸載決策和資源競爭的約束下，提出一個基于博弈論的方案最小化時間延遲和能量消耗的加權(quán)和并證明了納什均衡的存在性。

文獻(xiàn)［30］中建立基于SDMA接入的UAV-MEC網(wǎng)絡(luò)的聯(lián)合通信計(jì)算優(yōu)化模型以及實(shí)物平臺，該模型包括具有MEC能力的集中式頂部UAV（top UAV， T-UAV）和分布式底部UAV群（bottom UAV， B-UAV）。對于負(fù)載和飛行能力更強(qiáng)的固定翼T-UAV，可以部署多個相控陣天線并發(fā)產(chǎn)生不同波束，以支持SDMA通信。在每個相控子陣天線面板上集成多個射頻集成電路，確保接收T-UAV的主瓣束指向每個發(fā)射機(jī)B-UAV的方向。針對毫米波束狀波束的特點(diǎn)，利用基于全球定位系統(tǒng)等位置感知技術(shù)和UAV攝像機(jī)圖像處理技術(shù)的空間正交技術(shù)，實(shí)現(xiàn)多架B-UAV以獨(dú)立波束訪問T-UAV的目標(biāo)。利用隨機(jī)幾何方法，推導(dǎo)基于UAV群三維分布的單個鏈路和一組鏈路的成功傳輸概率，并利用排隊(duì)理論，得到最優(yōu)響應(yīng)延遲。

2.1.2 NOMA

傳統(tǒng)的OMA方式保證了多設(shè)備并發(fā)通信之間的正交性，以避免用戶之間的干擾［31］。然而，這種正交設(shè)計(jì)會受到服務(wù)用戶數(shù)量的限制，降低了系統(tǒng)的頻譜效率，不能滿足設(shè)備大量接入與高頻譜利用率。用戶設(shè)備有時需要等待一個可用的正交資源塊來被授予訪問權(quán)，這對于計(jì)算任務(wù)時延要求嚴(yán)格的用戶是不可接受的。而NOMA可以通過劃分發(fā)射功率或碼本，使用相同的時隙和頻率資源容納更多的用戶與搭載MEC服務(wù)器的UAV通信［32］。

NOMA可以分為功率域NOMA（power-domain NOMA， PD-NOMA）和碼域NOMA（code-domain NOMA， CD-NOMA）。PD-NOMA 通過優(yōu)化功率分配在功率域進(jìn)行多用戶復(fù)用，實(shí)施嚴(yán)格的功率控制，在接收端利用連續(xù)干擾消除（successive interference cancelation， SIC）算法，利用不同的信道增益依次解出各個用戶設(shè)備的信號。速率分拆多址技術(shù)（rate splitting multiple access， RSMA）結(jié)合了前文所提的SDMA以及PD-NOMA，通過對用戶消息的拆分以及多用戶通用消息和用戶私有消息解碼實(shí)現(xiàn)非正交傳輸。CD-NOMA技術(shù)是通過一定的構(gòu)造準(zhǔn)則，如交織、稀疏擴(kuò)頻、擾碼、信道編碼等，獲得一系列非正交序列后分配給不同用戶，使其能夠獲得更高的頻譜效率以及抗過載能力。稀疏碼多址接入（sparse code multiple access， SCMA）技術(shù)是一類將多維調(diào)制和稀疏擴(kuò)頻技術(shù)相結(jié)合的性能優(yōu)異的CD-NOMA技術(shù)。

圖6展示了UAV-MEC網(wǎng)絡(luò)中PD-NOMA與SCMA接入方案。針對PD-NOMA方案在UAV-MEC網(wǎng)絡(luò)的實(shí)際應(yīng)用，采用預(yù)分組的方法通過對信道的預(yù)知信息，將一個信道條件差的和信道條件好的用戶分為一組，組內(nèi)用戶設(shè)備采用差異的功率。對于SCMA為代表的CD-NOMA方案，根據(jù)碼本的大小，將不同的用戶分配不同的碼本并疊加傳輸，接收端利用消息傳遞算法（message passing algorithm， MPA）求解各個用戶的信號。與OMA相比，NOMA可以提高用戶的傳輸速率和頻譜利用率。由于NOMA能夠適應(yīng)大規(guī)模連接，基于NOMA技術(shù)的UAV-MEC系統(tǒng)可以為大規(guī)模接入網(wǎng)絡(luò)（如傳感器網(wǎng)絡(luò)和物聯(lián)網(wǎng)）中的眾多移動終端提供靈活的計(jì)算服務(wù)。

在基于NOMA的UAV-MEC系統(tǒng)中，用戶設(shè)備通過NOMA協(xié)議將任務(wù)數(shù)據(jù)上傳到UAV MEC服務(wù)器，UAV完成任務(wù)計(jì)算后將結(jié)果返回到終端設(shè)備。NOMA協(xié)議引入了設(shè)備之間的干擾，當(dāng)上傳任務(wù)數(shù)據(jù)量大時，隨機(jī)分配任務(wù)數(shù)據(jù)可能會導(dǎo)致設(shè)備之間產(chǎn)生較強(qiáng)的干擾，從而增加設(shè)備之間的能量消耗，導(dǎo)致任務(wù)計(jì)算時間增加。在任務(wù)時間容忍度和多設(shè)備的發(fā)射功率固定的情況下，計(jì)算資源的分配也會直接影響計(jì)算延遲并對設(shè)備的能耗產(chǎn)生影響。UAV的動態(tài)軌跡決定了用戶設(shè)備與UAV之間的信道增益，這對任務(wù)數(shù)據(jù)的傳輸時間以及UAV的能量消耗有很大的影響。因此，需要聯(lián)合優(yōu)化NOMA的功率或碼本分配、UAV軌跡、任務(wù)數(shù)據(jù)分配和計(jì)算資源分配，最小化UAV的能耗同時降低任務(wù)計(jì)算時間、最大化計(jì)算任務(wù)的處理數(shù)［33］。

為了探討設(shè)備接入策略對系統(tǒng)能耗的影響，文獻(xiàn)［34］研究UAV-MEC網(wǎng)絡(luò)上行傳輸中TDMA、OFDMA和NOMA接入方案;在UAV動作、發(fā)射功率和比特因果關(guān)系的約束條件下，聯(lián)合優(yōu)化比特分配、UAV軌跡、UAV功率分配和資源分配，從能量消耗的角度研究了UAV-MEC系統(tǒng);針對TDMA和OFDMA方案，利用SCA技術(shù)得到一個次優(yōu)方案;針對NOMA方案，將原始問題分解為兩個子問題，并通過對兩個子問題的交替優(yōu)化發(fā)展出一種高效的迭代算法;相比之下，NOMA方案比TDMA、OFDMA節(jié)省了更多的UAV能耗，但是NOMA接收端采用的SIC技術(shù)可能會導(dǎo)致額外的實(shí)現(xiàn)復(fù)雜度。文獻(xiàn)［35］研究TDMA和NOMA兩種接入方案下，UAV-MEC系統(tǒng)能量最小化的問題;當(dāng)終端任務(wù)的時延限制為2.7 s時，相比TDMA，NOMA方案的能量消耗降低了18.75%。當(dāng)終端任務(wù)的時延要求很嚴(yán)格時，TDMA的性能會優(yōu)于NOMA性能，原因是由于NOMA接收復(fù)雜度更高，更短的任務(wù)截止時間會限制NOMA的性能，導(dǎo)致更大的能耗。文獻(xiàn)［36］為了支持UAV-MEC網(wǎng)絡(luò)中眾多設(shè)備接入，以及處理上行場景中終端產(chǎn)生的大量數(shù)據(jù)流量，采用NOMA 接入方案;與OMA相比，所提方案的能耗降低了16.66%。文獻(xiàn)［37］指出利用NOMA方案，在8個用戶的UAV-MEC網(wǎng)絡(luò)中，加權(quán)能耗比OMA減少了約20%，并隨著用戶數(shù)量的增加，優(yōu)勢會進(jìn)一步擴(kuò)大。文獻(xiàn)［38］將RSMA引入UAV-MEC網(wǎng)絡(luò)，用戶可以將其任務(wù)卸載到空中MEC平臺計(jì)算，通過優(yōu)化RSMA的卸載決策、分拆比、解碼順序使響應(yīng)時延和處理能耗最小化，結(jié)果表明系統(tǒng)能耗優(yōu)于PD-NOMA方案。

針對用戶接入策略對任務(wù)計(jì)算延遲的作用，文獻(xiàn)［39］將NOMA引入UAV-MEC網(wǎng)絡(luò)中提高頻譜效率，在考慮UAV能耗和設(shè)備QoS的前提下，進(jìn)行聯(lián)合軌跡和計(jì)算卸載優(yōu)化，最小化所有用戶任務(wù)的總延遲。文獻(xiàn)［40］建模一對PD-NOMA用戶組的上傳時間和同信道干擾之間的相互作用，通過半定松弛和凹凸過程迭代確定NOMA用戶配對和卸載決策，該方案能有效地抑制同信道干擾，降低用戶平均上傳時延并增加待上傳用戶數(shù)量。文獻(xiàn)［41-42］提出針對SCMA的碼本分配優(yōu)化算法，驗(yàn)證在MEC網(wǎng)絡(luò)中SCMA方案比OFDMA接入可以減少數(shù)據(jù)的上傳時間，從而使得整體任務(wù)計(jì)算時延降低。文獻(xiàn)［43］研究基于NOMA接入方案的UAV-MEC系統(tǒng)，在滿足UAV覆蓋率的前提下，最大化所有物聯(lián)網(wǎng)設(shè)備的計(jì)算率的問題;該框架采用NOMA方案，使多個設(shè)備能夠同時將其任務(wù)傳輸給UAV，相比TDMA方案，提高物聯(lián)網(wǎng)設(shè)備的任務(wù)計(jì)算率。文獻(xiàn)［44］將RSMA技術(shù)引入UAV的下行傳輸中，通過優(yōu)化RSMA的預(yù)編碼、分拆速率，最大化用戶加權(quán)和數(shù)據(jù)速率，證明RSMA相對于NOMA的優(yōu)勢。文獻(xiàn)［45］提出一種RSMA輔助MEC方案，用戶能夠利用RSMA將計(jì)算任務(wù)卸載到MEC服務(wù)器，求出成功計(jì)算概率的封閉表達(dá)式，相比現(xiàn)有的OMA與NOMA方案，RSMA能夠提高成功計(jì)算概率。UAV-MEC網(wǎng)絡(luò)中多址接入技術(shù)總結(jié)對比如表1所示。

2.2 計(jì)算卸載策略

在UAV-MEC網(wǎng)絡(luò)中，計(jì)算卸載是指通過無線接入方案，將計(jì)算任務(wù)所需數(shù)據(jù)從用戶設(shè)備上傳到配備MEC服務(wù)器的UAV或基站并執(zhí)行的過程［46］。計(jì)算卸載的目的主要是為了加快計(jì)算任務(wù)的執(zhí)行時間，降低系統(tǒng)能耗，從而更好地提高用戶體驗(yàn)。根據(jù)設(shè)備的計(jì)算任務(wù)模型，計(jì)算卸載可以分為整體卸載和部分卸載。整體卸載適用于高度集成或者不可分割的任務(wù)（如復(fù)雜數(shù)學(xué)運(yùn)算）。這種類型的任務(wù)必須整體在本地執(zhí)行或者卸載到MEC服務(wù)器。部分卸載是將用戶的復(fù)雜任務(wù)分成若干功能模塊，每個子任務(wù)分別執(zhí)行計(jì)算卸載決策。

設(shè)備的計(jì)算卸載策略應(yīng)該包含以下決策：① 是否應(yīng)該將任務(wù)上傳到MEC服務(wù)器？② 該任務(wù)是否可以分割？即決定該任務(wù)可以整體卸載還是部分卸載。③ 將該任務(wù)上傳到哪個MEC服務(wù)器？當(dāng)UAV-MEC網(wǎng)絡(luò)中有多個MEC服務(wù)器存在時，尋找一個計(jì)算資源空閑且信道好的MEC服務(wù)器更利于計(jì)算卸載。④ 根據(jù)哪種優(yōu)化目標(biāo)決定計(jì)算卸載策略？不同任務(wù)對完成時間的限制是不同的，應(yīng)當(dāng)根據(jù)系統(tǒng)能耗、資源狀態(tài)以及任務(wù)的時延要求選擇恰當(dāng)?shù)膬?yōu)化目標(biāo)。在UAV-MEC網(wǎng)絡(luò)中，請求計(jì)算卸載服務(wù)的用戶設(shè)備往往有時延敏感型、資源密集型和數(shù)據(jù)密集型任務(wù)，計(jì)算任務(wù)的完成時間以及用戶設(shè)備和UAV消耗的能量是評價UAV-MEC系統(tǒng)中用戶QoS的指標(biāo)。計(jì)算卸載決策結(jié)果由系統(tǒng)能量消耗和完成計(jì)算任務(wù)時延決定。計(jì)算卸載策略的目標(biāo)主要分為降低時延、降低能耗以及權(quán)衡時延與能量三方面。

2.2.1 以降低時延為目標(biāo)的計(jì)算卸載策略

終端用戶設(shè)備具備時延敏感型任務(wù)時，可以采用以降低時延為目標(biāo)的計(jì)算卸載策略。在UAV-MEC網(wǎng)絡(luò)中，當(dāng)進(jìn)行計(jì)算卸載時，任務(wù)的完成時間包括上傳到UAV的傳輸時間、UAV MEC服務(wù)器計(jì)算時間以及回傳時間。當(dāng)本地運(yùn)行時，任務(wù)的完成時間為設(shè)備本地計(jì)算時間。此時，需要設(shè)計(jì)有效計(jì)算卸載策略，既充分利用UAV-MEC的計(jì)算能力滿足各用戶的任務(wù)時延要求，又避免多用戶擁擠搶占計(jì)算資源、導(dǎo)致整體時間變長的情況。

文獻(xiàn)［47］采用部分卸載的方式，計(jì)算任務(wù)分為兩部分，一部分由UAV完成，其他部分由本地計(jì)算;通過共同優(yōu)化UAV軌跡、部分卸載任務(wù)的比率和用戶調(diào)度變量，最小化用戶設(shè)備任務(wù)的最大時延之和;在引入輔助變量的基礎(chǔ)上，提出一種改進(jìn)的基于懲罰對偶分解的算法;仿真分析表明，該算法的復(fù)雜度較低，且降低了設(shè)備任務(wù)的時延。文獻(xiàn)［48］探討基于毫米波回程的低延遲UAV-MEC網(wǎng)絡(luò)，采用聯(lián)合交替方向乘子法（alternating direction method of multipliers， ADMM）、Dinkelbach算法和SCA算法求解最小化任務(wù)時延的問題，得到最優(yōu)的卸載策略;所提算法能夠較好地完成設(shè)備的時間敏感型任務(wù)。文獻(xiàn)［49］研究UAV輔助的超高可靠低延遲計(jì)算卸載的問題，利用SCA算法解決UAV優(yōu)化布局的規(guī)劃問題以及在UAV能量受限的情況下進(jìn)行資源分配和計(jì)算卸載決策的問題。文獻(xiàn)［50］考慮UAV-MEC網(wǎng)絡(luò)中多UAV協(xié)同提供計(jì)算服務(wù)，以最小化所有設(shè)備之間的最大任務(wù)完成延遲為目標(biāo)，提出一種基于BCD和SCA技術(shù)的迭代算法來獲得近似最優(yōu)解。文獻(xiàn)［51］研究多UAV邊緣云協(xié)同卸載的延遲最小化問題，采用凸近似方法使原始問題易于處理，利用李雅普諾夫優(yōu)化方法進(jìn)行在線任務(wù)卸載決策。為了實(shí)現(xiàn)UAV之間的合作，文獻(xiàn)［52］提出一種穩(wěn)定匹配算法，將計(jì)算任務(wù)卸載問題轉(zhuǎn)化為雙邊匹配問題，利用迭代算法，使每架UAV與最適合卸載的設(shè)備相匹配，有效降低了平均時延。文獻(xiàn)［53］提出一種基于Stackelberg博弈方法求解多層UAV-MEC網(wǎng)絡(luò)中計(jì)算卸載決策問題，配備MEC服務(wù)器的UAV通過考慮其他UAV的行為來優(yōu)化其定價，以最大化收入;每個用戶設(shè)備選擇最佳的計(jì)算任務(wù)卸載策略，最大限度地減少延遲;仿真結(jié)果表明，該方案能有效地降低UAV的卸載時延。文獻(xiàn)［54］在UAV-MEC系統(tǒng)中，將復(fù)雜的計(jì)算任務(wù)分解為具有相互依賴性的典型任務(wù)流;通過考慮UAV任務(wù)、動態(tài)網(wǎng)絡(luò)狀態(tài)和能量約束的相互依賴性，建立平均任務(wù)響應(yīng)時間最小化問題，并將其建模為馬爾可夫決策過程;每次任務(wù)到達(dá)或任務(wù)執(zhí)行完成時，方案應(yīng)該決定下一個任務(wù)執(zhí)行的無人機(jī)MEC服務(wù)器，實(shí)現(xiàn)協(xié)同任務(wù)卸載，提出了多智能體強(qiáng)化學(xué)習(xí)（multi-agent reinforcement learning， MARL）算法的計(jì)算卸載策略;基于MARL的計(jì)算卸載策略具有較好的收斂性，能夠顯著降低平均任務(wù)響應(yīng)時間并能適應(yīng)動態(tài)環(huán)境。

2.2.2 以降低能耗為目標(biāo)的計(jì)算卸載策略

資源密集型計(jì)算任務(wù)占有較多的通信和計(jì)算資源的同時會消耗大量的能量，此時終端可以采用降低能耗為目標(biāo)的計(jì)算卸載策略。在UAV-MEC系統(tǒng)中，用戶設(shè)備以及UAV的電池都是有限的，UAV在飛行的同時，還需要提供計(jì)算服務(wù)，續(xù)航能力無法得到有效的保證。當(dāng)進(jìn)行計(jì)算卸載時，完成任務(wù)消耗的能量包括設(shè)備上傳到UAV消耗的能量、UAV維持飛行消耗的能量、UAV-MEC服務(wù)器計(jì)算消耗的能量以及回傳消耗的能量。當(dāng)本地運(yùn)行時，任務(wù)消耗的能量為設(shè)備本地計(jì)算能耗。設(shè)計(jì)有效的計(jì)算卸載策略，在滿足計(jì)算任務(wù)時延要求下，能夠降低用戶設(shè)備以及UAV的能耗，更加適合實(shí)際場景應(yīng)用。

文獻(xiàn)［55］考慮UAV-MEC系統(tǒng)中，最小化物聯(lián)網(wǎng)設(shè)備的能量消耗以及UAV的能量消耗問題;在所有物聯(lián)網(wǎng)設(shè)備任務(wù)的時延約束和通信計(jì)算容量資源的限制下，使用BCD算法交替求解得出最佳的任務(wù)分配策略;仿真結(jié)果表明，該方法顯著降低了系統(tǒng)功耗。文獻(xiàn)［56］研究UAV增強(qiáng)邊緣計(jì)算網(wǎng)絡(luò)的能量最小化問題，將該優(yōu)化問題表述為混合整數(shù)非凸優(yōu)化問題，并提出一種基于BCD和SCA技術(shù)的迭代優(yōu)化算法，降低完成任務(wù)的總能耗，驗(yàn)證任務(wù)卸載的必要性。文獻(xiàn)［57］在UAV計(jì)算卸載策略、資源分配和飛行軌跡調(diào)度的約束下，最小化移動用戶設(shè)備和UAV的平均加權(quán)能耗;利用李雅普諾夫優(yōu)化法分析計(jì)算任務(wù)隊(duì)列，并利用交替迭代優(yōu)化法求解出了計(jì)算卸載策略。文獻(xiàn)［58］研究基于多UAV聯(lián)盟的UAV-MEC網(wǎng)絡(luò)的計(jì)算卸載問題，針對分層卸載特征，給出一個離散的多領(lǐng)導(dǎo)者多跟隨者的能量最小化Stackelberg博弈，并證明納什均衡的存在性;仿真結(jié)果表明，與現(xiàn)有的一些方法相比，所提算法能夠?qū)崿F(xiàn)較低的網(wǎng)絡(luò)能耗。文獻(xiàn)［59］將人工智能引入UAV-MEC網(wǎng)絡(luò)，實(shí)現(xiàn)智能任務(wù)的卸載和資源的分配;深度強(qiáng)化學(xué)習(xí)（deep reinforcement learning， DRL）是UAV-MEC系統(tǒng)中高效決策的無模型解決方案，如任務(wù)卸載決策和計(jì)算資源分配;深度神經(jīng)網(wǎng)絡(luò)（deep neural network， DNN）的擬合能力為UAV-MEC系統(tǒng)的計(jì)算任務(wù)預(yù)測提供一種方法;預(yù)測結(jié)果可用于進(jìn)一步提高多UAV協(xié)同卸載的性能。文獻(xiàn)［60］針對UAV-MEC系統(tǒng)，利用長短期記憶網(wǎng)絡(luò)（long short term memory，LSTM）進(jìn)行計(jì)算任務(wù)預(yù)測，并在此基礎(chǔ)上提出能耗最優(yōu)的3層計(jì)算卸載算法;實(shí)驗(yàn)表明，該算法可以根據(jù)任務(wù)所需的時延、UAV高度和數(shù)據(jù)大小，動態(tài)規(guī)劃UAV-MEC網(wǎng)絡(luò)的計(jì)算卸載策略，從而有效降低UAV的能耗。文獻(xiàn)［61］提出一個基于博弈理論和DRL算法框架用于多UAV與地面基站協(xié)同網(wǎng)絡(luò)的計(jì)算卸載;該框架可以通過馬爾可夫決策過程求解多UAV與地面基站MEC服務(wù)器協(xié)同的計(jì)算卸載最優(yōu)策略。

2.2.3 權(quán)衡時延和能耗的計(jì)算卸載策略

根據(jù)前述，時延和能耗是UAV-MEC網(wǎng)絡(luò)中的重要性能指標(biāo)。當(dāng)設(shè)備有復(fù)雜的計(jì)算任務(wù)需要執(zhí)行時，往往能耗和時延都會影響用戶服務(wù)體驗(yàn)質(zhì)量，因此權(quán)衡能耗和時延的計(jì)算卸載策略也是一個重要的研究方向。

文獻(xiàn)［62］研究UAV-MEC具體場景，其中每個終端可以使用3種計(jì)算策略，即本地計(jì)算、卸載部分任務(wù)到 UAV 進(jìn)行計(jì)算、通過UAV中繼將任務(wù)卸載到基站，文中通過優(yōu)化計(jì)算卸載比特分配、時隙調(diào)度、和功率分配以及UAV軌跡權(quán)衡時延和能耗加權(quán)和，并利用拉格朗日對偶法和SCA算法獲得近似最優(yōu)解。文獻(xiàn)［63］研究計(jì)算卸載和資源分配的聯(lián)合設(shè)計(jì)，通過交替優(yōu)化算法求解了權(quán)衡UAV能量和任務(wù)完成時間的帕累托最優(yōu)解，仿真結(jié)果證實(shí)所提解決方案能夠達(dá)到UAV在MEC系統(tǒng)中完成時間和能量消耗之間的權(quán)衡。文獻(xiàn)［29］研究UAV-MEC系統(tǒng)中最小化時間延遲和能量消耗的加權(quán)和的問題;提出一個基于博弈論的方案來尋找最優(yōu)計(jì)算卸載策略并證明納什均衡的存在性;仿真結(jié)果表明，該博弈論方案能夠達(dá)到接近最優(yōu)的性能。文獻(xiàn)［64］考慮UAV作為用戶設(shè)備的場景，機(jī)載資源有限的處理能力和能量存儲，使復(fù)雜信號的實(shí)時分析受到限制;此時，UAV可以對接邊緣計(jì)算資源，卸載計(jì)算任務(wù)，降低對傳感器輸入的響應(yīng)時間，降低能耗;而動態(tài)的信道條件和邊緣服務(wù)器擁塞情況可能會影響任務(wù)卸載的性能;提出一個基于網(wǎng)絡(luò)、計(jì)算負(fù)荷參數(shù)和當(dāng)前狀態(tài)的最優(yōu)卸載決策框架，將時延和能耗的優(yōu)化問題表述為半馬爾可夫過程的最優(yōu)停止時間問題，并使用動態(tài)規(guī)劃和DRL方法求解該問題。文獻(xiàn)［65］提出一種基于深度Q網(wǎng)絡(luò)（deep Q network，DQN）調(diào)整計(jì)算卸載比例的策略，降低UAV-MEC網(wǎng)絡(luò)中任務(wù)延遲和能量消耗的線性加權(quán)和。文獻(xiàn)［66］考慮一個配備MEC服務(wù)器的多UAV集群網(wǎng)絡(luò)，每個UAV集群簇頭作為一個智能體，以分布式方法分配計(jì)算資源給終端設(shè)備;提出一種基于無模型DRL的協(xié)同計(jì)算卸載與資源分配方案，其中每個智能體基于深度確定性策略梯度（deep deterministic policy gradient， DDPG）網(wǎng)絡(luò)訓(xùn)練并學(xué)習(xí)高效的計(jì)算卸載策略，通過公平性指數(shù)檢查各UAV的狀態(tài)， 文中目標(biāo)是通過自適應(yīng)學(xué)習(xí)，最大限度地減少任務(wù)的執(zhí)行延遲和能量消耗，并獲得有效的計(jì)算卸載策略。文獻(xiàn)［67］研究多UAV的協(xié)同MEC系統(tǒng)，提出一種協(xié)作式MARL框架求解任務(wù)卸載策略使任務(wù)執(zhí)行延遲和能量消耗之和最小化。文獻(xiàn)［68］提出一種多智能體DDPG（multi-agent DDPG， MADDPG）框架，共同優(yōu)化多UAV的飛行路線和物聯(lián)網(wǎng)設(shè)備的協(xié)同卸載決策，降低任務(wù)處理延遲和設(shè)備能量消耗。表2總結(jié)對比了上述文獻(xiàn)中不同計(jì)算卸載策略的求解方法。

3 未來研究方向

UAV-MEC網(wǎng)絡(luò)具備部署靈活、在網(wǎng)絡(luò)邊緣及時提供計(jì)算能力、降低任務(wù)處理時延等優(yōu)點(diǎn)。雖然已經(jīng)有大量研究人員對UAV-MEC網(wǎng)絡(luò)的相關(guān)問題進(jìn)行了研究，但是該方向尚處于起步階段，仍然存在一些尚未解決的問題。

（1） UAV-MEC網(wǎng)絡(luò)實(shí)際部署架構(gòu)。本文綜述了現(xiàn)有文獻(xiàn)，并初步提出UAV-MEC網(wǎng)絡(luò)中基于NFV和SDN的技術(shù)框架，但距離實(shí)際應(yīng)用還有一定距離。如何考慮UAV上通信模塊與邊緣計(jì)算平臺的任務(wù)數(shù)據(jù)傳遞與重構(gòu)，研究更符合實(shí)際情況的部署架構(gòu)，使得UAV-MEC網(wǎng)絡(luò)從理論到實(shí)際應(yīng)用值得進(jìn)一步的探索。并且在實(shí)際環(huán)境中，許多用戶設(shè)備都使用不同的通信協(xié)議和模式交互。由于通信協(xié)議以及任務(wù)表達(dá)方式多樣性，整體系統(tǒng)的協(xié)調(diào)性是一種挑戰(zhàn)。因此，需要進(jìn)一步研究實(shí)際環(huán)境中各個用戶設(shè)備與UAV服務(wù)器之間的通信協(xié)議與計(jì)算任務(wù)表達(dá)方式的轉(zhuǎn)換，確保實(shí)際應(yīng)用的可行性。

（2） UAV-MEC網(wǎng)絡(luò)性能分析模型?，F(xiàn)有的研究考慮理想的LoS鏈路，在未來的工作中可以考慮復(fù)雜的飛行和通信模型，如考慮到用戶的移動性和衰落因素，利用瑞利、萊斯與Nakagami-m信道衰落模型。在更貼合實(shí)際的信道模型基礎(chǔ)下，如何利用隨機(jī)幾何的方法針對網(wǎng)絡(luò)設(shè)備容量、吞吐量、覆蓋率、可靠性和中斷率等性能參數(shù)分析是一個具有挑戰(zhàn)性的問題。

（3） UAV-MEC網(wǎng)絡(luò)中適應(yīng)更高過載率、更大吞吐量、免授權(quán)和低復(fù)雜度的多址接入方式。未來網(wǎng)絡(luò)中，可能會有大量用戶同時請求計(jì)算資源。目前，OMA接入方式在面對大量的設(shè)備過載接入的時候，頻帶資源占用消耗嚴(yán)重，導(dǎo)致傳輸速率下降，部分設(shè)備計(jì)算任務(wù)時延要求難以滿足。而NOMA技術(shù)可以對抗用戶數(shù)量劇增后造成的過載現(xiàn)象，但其接收端的復(fù)雜度較高且免授權(quán)的NOMA技術(shù)仍需研究。為了同時服務(wù)更多用戶，增加用戶任務(wù)上傳的速率，進(jìn)而降低任務(wù)完成的時間以及能耗，需要研究更適應(yīng)于UAV通信網(wǎng)絡(luò)的多址接入方式。

（4） UAV-MEC網(wǎng)絡(luò)中安全計(jì)算卸載與數(shù)據(jù)隱私框架。由于網(wǎng)絡(luò)中數(shù)據(jù)傳輸是通過無線方式實(shí)現(xiàn)的，容易受到很多安全威脅，并且無授權(quán)的連接會侵犯系統(tǒng)的隱私。因此，如何針對惡意的請求計(jì)算服務(wù)的節(jié)點(diǎn)進(jìn)行檢測，并保證數(shù)據(jù)的安全防止竊聽，有必要提出和設(shè)計(jì)安全機(jī)制來提高UAV-MEC網(wǎng)絡(luò)的安全性。區(qū)塊鏈技術(shù)利用分布式資源來維護(hù)共享數(shù)據(jù)的安全，引入?yún)^(qū)塊鏈的技術(shù)，可以識別威脅系統(tǒng)隱私的各種攻擊和惡意用戶節(jié)點(diǎn)，能夠增強(qiáng)穩(wěn)定性和安全性。UAV-MEC網(wǎng)絡(luò)中的抗干擾技術(shù)以及結(jié)合驗(yàn)證與計(jì)算卸載任務(wù)相關(guān)的安全認(rèn)證的身份驗(yàn)證流程也是一種解決方案。

（5） UAV集群協(xié)同與空天地協(xié)同計(jì)算方案。由于用戶設(shè)備快速移動以及對任務(wù)的高度動態(tài)需求，UAV網(wǎng)絡(luò)中的協(xié)同行為具有重要意義。在UAV集群中，如何制定整體的計(jì)算卸載決策是一個關(guān)鍵的問題。UAV集群的計(jì)算卸載決策有集中式和分布式兩種方式。在集中式方式中，UAV集群的簇頭配備一個中央控制器，負(fù)責(zé)收集各個UAV反饋的狀態(tài)信息，并以集中式方式做出所有決策。但集中式的方式容易遭遇網(wǎng)絡(luò)堵塞以及損毀的問題?；诖?，分布式方法是一個可行的解決方案，可以利用多智能體強(qiáng)化學(xué)習(xí)以及“集中式訓(xùn)練、分布式執(zhí)行”的方式，決定計(jì)算卸載決策，并且做到多UAV服務(wù)器之間的任務(wù)無縫切換?？紤]地面以及衛(wèi)星MEC服務(wù)器存在計(jì)算資源的情況，UAV可以將任務(wù)卸載或中繼到具有所需計(jì)算資源的地面以及衛(wèi)星基站，構(gòu)建空天地協(xié)同計(jì)算方案，進(jìn)一步降低計(jì)算任務(wù)的時延與能耗。

4 結(jié)束語

近年來，UAV-MEC網(wǎng)絡(luò)受到國內(nèi)外研究學(xué)者的廣泛關(guān)注，其具備部署靈活、及時提供計(jì)算服務(wù)等優(yōu)點(diǎn)。本文對近幾年UAV-MEC網(wǎng)絡(luò)的研究進(jìn)行了總結(jié)歸納。首先，總結(jié)提出了基于NFV和SDN的網(wǎng)絡(luò)技術(shù)架構(gòu)以及該網(wǎng)絡(luò)適用的應(yīng)用場景。然后，對比了網(wǎng)絡(luò)中多種接入方案，并對最新的計(jì)算卸載策略進(jìn)行了總結(jié)和分析。最后，針對UAV-MEC網(wǎng)絡(luò)提出了未來研究方向。

參考文獻(xiàn)

［1］ LI A， DAI L B， YU L S， Resource allocation for multi-UAV-assisted mobile edge computing to minimize weighted energy consumption［J］. IET Communications， 2022， 16（17）： 2070-2081.

［2］ MAO Y Y， YOU C S， ZHANG J， et al. A survey on mobile edge computing： the communication perspective［J］. IEEE Communications Surveys and Tutorials， 2017， 19（4）： 2322-2358.

［3］ 李安， 戴龍斌， 余禮蘇， 等. 加權(quán)能耗最小化的無人機(jī)輔助移動邊緣計(jì)算資源分配策略［J］. 電子與信息學(xué)報(bào)， 2022， 44（11）： 3858-3865.

LI A， DAI L B， YU L S， et al. Resource allocation for unmanned aerial vehicle-assisted mobile edge computing to minimize weighted energy consumption［J］. Journal of Electronics amp; Information Technology， 2022， 44（11）： 3858-3865.

［4］ 卞穎穎. 5G通信技術(shù)促進(jìn)軍用無人機(jī)發(fā)展［J］. 軍事文摘， 2019（7）： 20-23.

BIAN Y Y. 5G communication technology boosts the development of military drones［J］. Military Digest， 2019（7）： 20-23.

［5］ 余雪勇， 朱燁， 邱禮翔， 等. 基于無人機(jī)輔助邊緣計(jì)算系統(tǒng)的節(jié)能卸載策略［J］. 系統(tǒng)工程與電子技術(shù)， 2022， 44（3）： 1022-1029.

YU X Y， ZHU Y， QIU L X， et al. Energy efficient offloading strategy for UAV aided edgecomputing systems［J］. Systems Engineering and Electronics， 2022， 44（3）： 1022-1029.

［6］ JAAFAR W， NASER S， MUHAIDAT S， et al. Multiple access in aerial networks： from orthogonal and non-orthogonal to rate-splitting［J］. IEEE Open Journal of Vehicular Technology， 2020， 1： 372-392.

［7］ NEW W K， LEOW C Y， NAVAIE K， et al. Application of NOMA for cellular-connected UAVs： opportunities and challenges［J］. SCIENCE CHINA Information Sciences， 2021， 64（4）： 22-35.

［8］ 李子姝， 謝人超， 孫禮， 等. 移動邊緣計(jì)算綜述［J］. 電信科學(xué)， 2018， 34（1）： 87-101.

LI Z S， XIE R C， SUN L， et al. A survey of mobile edge computing［J］. Telecommunication Science， 2018， 34（1）： 87-101.

［9］ 張依琳， 梁玉珠， 尹沐君， 等. 移動邊緣計(jì)算中計(jì)算卸載方案研究綜述［J］. 計(jì)算機(jī)學(xué)報(bào)， 2021， 44（12）： 2406-2430.

ZHANG Y L， LIANG Y Z， YIN M J， et al. Survey on the methods of computation offloading in mobile edge computing［J］. Chinese Journal of Computers， 2021， 44（12）： 2406-2430.

［10］ ABRAR M， AJMAL U， ALMOHAIMEED Z M， et al. Energy efficient UAV-enabled mobile edge computing for IoT devices： a review［J］. IEEE Access， 2021， 9： 127779-127798.

［11］ 莫鴻彬， 李猛. 無人機(jī)邊緣計(jì)算網(wǎng)絡(luò)： 架構(gòu)， 關(guān)鍵技術(shù)與挑戰(zhàn)［J］. 廣東通信技術(shù)， 2021， 41（4）： 54-59.

MO H B， LI M. Edge computing networks for unmanned aerial vehicles： architecture， key technologies and challenges［J］. Guangdong Communications Technology， 2021， 41（4）： 54-59.

［12］ 邱銘. 基于無人機(jī)移動邊緣計(jì)算的軟件定義網(wǎng)絡(luò)架構(gòu)分析［J］. 電子世界， 2020（5）： 62-63.

QIU M. Architecture analysis of software-defined network for UAV-based mobile edge computing［J］. Journal of Electronic World， 2020（5）： 62-63.

［13］ LIN C， HAN G， SHAH S B H， et al. Integrating mobile edge computing into unmanned aerial vehicle networks： an SDN-enabled architecture［J］. IEEE Internet of Things Magazine， 2021， 4（4）： 18-23.

［14］ HUDA S M A， MOH S. Survey on computation offloading in UAV-enabled mobile edge computing［J］. Journal of Network and Computer Applications， 2022， 201： 103341.

［15］ LIU Z W， CAO Y， GAO P， et al. Multi-UAV network assisted intelligent edge computing： challenges and opportunities［J］. China Communications， 2022， 19（3）： 258-278.

［16］ 董超， 沈赟， 屈毓錛. 基于無人機(jī)的邊緣智能計(jì)算研究綜述［J］. 智能科學(xué)與技術(shù)學(xué)報(bào)， 2020， 2（3）： 227-239.

DONG C， SHEN Y， QU Y Z. A survey of edge intelligent computing based on UAV［J］. Journal of Intelligent Science and Technology， 2020， 2（3）： 227-239.

［17］ BEKKOUCHE O， BAGAA M， TALEB T. Toward a UTM-based service orchestration for UAVs in MEC-NFV environment［C］∥Proc.of the IEEE Global Communications Confe-rence， 2019.

［18］ MOTLAGH N H， BAGAA M， TALEB T. UAV-based IoT platform： a crowd surveillance use case［J］. IEEE Communications Magazine， 2017， 55（2）： 128-134.

［19］ XU Y J， YANG M， YANG Y， et al. Max-min energy-efficient optimization for cognitive heterogeneous networks with spectrum sensing errors and channel uncertainties［J］. IEEE Wireless Communications Letters， 2021， 11（6）： 1113-1117.

［20］ DU Y， YANG K， WANG K Z， et al. Joint resources and workflow scheduling in UAV-enabled wirelessly-powered MEC for IoT systems［J］. IEEE Trans.on Vehicular Technology， 2019， 68（10）： 10187-10200.

［21］ XU Y， ZHANG T K， YANG D C， et al. Joint resource and trajectory optimization for security in uav-assisted MEC systems［J］. IEEE Trans.on Communications， 2021， 69（1）： 573-588.

［22］ SUN C， NI W， WANG X. Joint computation offloading and trajectory planning for UAV-assisted edge computing［J］. IEEE Trans.on Wireless Communications， 2021， 20（8）： 5343-5358.

［23］ YU Z， GONG Y M， GONG S M， et al. Joint task offloading and resource allocation in UAV-enabled mobile edge computing［J］. IEEE Internet of Things Journal， 2020， 7（4）： 3147-3159.

［24］ LI W T， ZHAO M X， WU Y H， et al. Collaborative offloading for UAV-enabled time-sensitive MEC networks［J］. EURASIP Journal on Wireless Communications and Networking， 2021， 2021： 1.

［25］ LIU S Y， YANG T T. Delay aware scheduling in UAV-enabled OFDMA mobile edge computing system［J］. IET Communications， 2020， 14（18）： 3203-3211.

［26］ WU Y H， WANG Y H， ZHOU F H， et al. Computation efficiency maximization in OFDMA-based mobile edge computing networks［J］. IEEE Communications Letters， 2020， 24（1）： 159-163.

［27］ XU Y， ZHANG T K， LIU Y W， et al. UAV-assisted MEC networks with aerial and ground cooperation［J］. IEEE Trans.on Wireless Communications， 2021， 20（12）： 7712-7727.

［28］ KHAN S， SAAD W， ZEESHAN M， et al. Implementation and analysis of multicode multicarrier code division multiple access （MC-MC CDMA） in IEEE 802. 11ah for UAV swarm communication［J］. Physical Communication， 2020， 42： 101159.

［29］ ZHANG K Y， GUI X L， REN D W， et al. Energy-latency tradeoff for computation offloading in UAV-assisted multiaccess edge computing system［J］. IEEE Internet of Things Journal， 2021， 8（8）： 6709-6719.

［30］ ZHANG Q X， CHEN J R， JI L， et al. Response delay optimization in mobile edge computing enabled UAV swarm［J］. IEEE Trans.on Vehicular Technology， 2020， 69（3）： 3280-3295.

［31］ XU Y J， HU R Q， LI G Q. Robust energy-efficient maximization for cognitive NOMA networks under channel uncertainties［J］. IEEE Internet of Things Journal， 2020， 7（9）： 8318-8330.

［32］ XU Y J， QIN Z J， GUI G， et al. Energy efficiency maximization in NOMA enabled backscatter communications with QoS guarantee［J］. IEEE Wireless Communications Letters， 2020， 10（2）： 353-357.

［33］ DIAO X B， ZHENG J C， WU Y， et al. Joint trajectory design， task data， and computing resource allocations for NOMA-based and UAV-assisted mobile edge computing［J］. IEEE Access， 2019， 7： 117448-117459.

［34］ HUA M， HUANG Y M， WANG Y， et al. Energy optimization for cellular-connected multi-UAV mobile edge computing systems with multi-access schemes［J］. Journal of Communications and Information Networks， 2018， 3（4）： 33-44.

［35］ JEONG S， SIMEONE O， KANG J. Mobile edge computing via a UAV-mounted cloudlet： optimization of bit allocation and path planning［J］. IEEE Trans.on Vehicular Technology， 2018， 67（3）： 2049-2063.

［36］ BUDHIRAJA I， KUMAR N， TYAGI S， et al. Energy consumption minimization scheme for NOMA-based mobile edge computation networks underlaying UAV［J］. IEEE Systems Journal， 2021， 15（4）： 5724-5733.

［37］ ZHANG X C， ZHANG J， XIONG J， et al. Energy-efficient multi-UAV-enabled multiaccess edge computing incorporating NOMA［J］. IEEE Internet of Things Journal， 2020， 7（6）： 5613-5627.

［38］ TRUONG T P， DAO N N， CHO S. HAMEC-RSMA： enhanced aerial computing systems with rate splitting multiple access［J］. IEEE Access， 2022， 10： 52398-52409.

［39］ GUO F X， ZHANG H L， JI H， et al. Joint trajectory and computation offloading optimization for UAV-assisted MEC with NOMA［C］∥Proc.of the IEEE Conference on Computer Communications Workshops， 2019.

［40］ SHENG M， DAI Y P， LIU J Y， et al. Delay-aware computation offloading in NOMA MEC under differentiated uploading delay［J］. IEEE Trans.on Wireless Communications， 2020， 19（4）： 2813-2826.

［41］ LIU P T， AN K， LEI J， et al. SCMA-based multiaccess edge computing in IoT systems： an energy-efficiency and latency tradeoff［J］. IEEE Internet of Things Journal， 2022， 9（7）： 4849-4862.

［42］ LIU P T， LEI J， LIU W. An optimization scheme for SCMA-based multi-access edge computing［C］∥Proc.of the IEEE 93rd Vehicular Technology Conference， 2021.

［43］ FENG W M， TANG J， ZHAO N， et al. Hybrid beamforming design and resource allocation for UAV-aided wireless-powered mobile edge computing networks with NOMA［J］. IEEE Journal on Selected Areas in Communications， 2021， 39（11）： 3271-3286.

［44］ JAAFAR W， NASER S， MUHAIDAT S， et al. On the downlink performance of RSMA-based UAV communications［J］. IEEE Trans.on Vehicular Technology， 2020， 69（12）： 16258-16263.

［45］ CHEN P X， LIU H W， YE Y H， et al. Rate-splitting multiple access aided mobile edge computing with randomly deployed users［J］. IEEE Journal on Selected Areas in Communications， 2023， 41（5）： 1549-1564.

［46］ XU Y， GU B， HU R Q， et al. Joint computation offloading and radio resource allocation in MEC-based wireless-powered backscatter communication networks［J］. IEEE Trans.on Vehicular Technology， 2021， 70（6）： 6200-6205.

［47］ HU Q Y， CAI Y L， YU G D， et al. Joint offloading and trajectory design for UAV-enabled mobile edge computing systems［J］. IEEE Internet of Things Journal， 2019， 6（2）： 1879-1892.

［48］ YU Y， BU X Y， YANG K， et al. UAV-aided low latency mobile edge computing with mmWave backhaul［C］∥Proc.of the IEEE International Conference on Communications， 2019.

［49］ HABER E E， ALAMEDDINE H A， ASSI C， et al. UAV-aided ultra-reliable low-latency computation offloading in future IoT networks［J］. IEEE Trans.on Communications， 2021， 69（10）： 6838-6851.

［50］ ZHENG G Y， XU C， WEN M W， et al. Service caching based aerial cooperative computing and resource allocation in multi-UAV enabled mec systems［J］. IEEE Trans.on Vehicular Technology， 2022， 71（10）： 10934-10947.

［51］ BAI Z Y， LIN Y F， CAO Y， et al. Delay-aware cooperative task offloading for multi-UAV enabled edge-cloud computing［J］. IEEE Trans.on Mobile Computing， 2024， 23（2）： 1034-1049.

［52］ CHEN W W， SU Z， XU Q L， et al. VFC-based cooperative UAV computation task offloading for post-disaster rescue［C］∥Proc.of the IEEE Conference on Computer Communications， 2020： 228-236.

［53］ LIU J F， LI L X， YANG F C， et al. Minimization of offloading delay for two-tier UAV with mobile edge computing［C］∥Proc.of the 15th International Wireless Communications amp; Mobile Computing Conference， 2019： 1534-1538.

［54］ ZHU S C， GUI L， ZHAO D M， et al. Learning-based computation offloading approaches in UAVs-assisted edge computing［J］. IEEE Trans.on Vehicular Technology， 2021， 70（1）： 928-944.

［55］ ALSENWI M， TUN Y K， RAJ-PANDEY S， et al. UAV-assisted multi-access edge computing system： an energy-efficient resource management framework［C］∥Proc.of the International Conference on Information Networking， 2020： 214-219.

［56］ GUO H Z， LIU J J. UAV-enhanced intelligent offloading for internet of things at the edge［J］. IEEE Trans.on Industrial Informatics， 2020， 16（4）： 2737-2746.

［57］ ZHANG J， ZHOU L， TANG Q， et al. Stochastic computation offloading and trajectory scheduling for UAV-assisted mobile edge computing［J］. IEEE Internet of Things Journal， 2019， 6（2）： 3688-3699.

［58］ CHEN J X， WU Q H， XU Y H， et al. A multi-leader multi-follower Stackelberg game for coalition-based UAV MEC networks［J］.IEEE Wireless Communications Letters， 2021， 10（11）： 2350-2354.

［59］ YANG Z， CHEN M Z， LIU X， et al. AI-driven UAV-NOMA-MEC in next generation wireless networks［J］. IEEE Wireless Communications， 2021， 28（5）： 66-73.

［60］ WU G X， MIAO Y M， ZHANG Y， et al. Energy efficient for UAV-enabled mobile edge computing networks： intelligent task prediction and offloading［J］. Computer Communications， 2020， 150： 556-562.

［61］ ASHERALIEVA A， NIYATO D. Hierarchical game-theoretic and reinforcement learning framework for computational offloading in UAV-enabled mobile edge computing networks with multiple service providers［J］. IEEE Internet of Things Journal， 2019， 6（5）： 8753-8769.

［62］ ZHANG T K， XU Y， LOO J， et al. Joint computation and communication design for UAV-assisted mobile edge computing in IoT［J］. IEEE Trans.on Industrial Informatics， 2020， 16（8）： 5505-5516.

［63］ ZHAN C， HU H， SUI X F， et al. Completion time and energy optimization in the UAV-enabled mobile-edge computing system［J］. IEEE Internet of Things Journal， 2020， 7（8）： 7808-7822.

［64］ CALLEGARO D， LEVORATO M. Optimal edge computing for infrastructure-assisted UAV systems［J］. IEEE Trans.on Vehicular Technology， 2021， 70（2）： 1782-1792.

［65］ CHEN L M， KUANG X Y， ZHU F S， et al. Intelligent mobile edge computing networks for Internet of Things［J］. IEEE Access， 2021， 9： 95665-95674.

［66］ SEID A M， BOATENG G O， ANOKYE S， et al. Collaborative computation offloading and resource allocation in multi-UAV-assisted IoT networks： a deep reinforcement learning approach［J］. IEEE Internet of Things Journal， 2021， 8（15）： 12203-12218.

［67］ ZHAO N， YE Z Y， PEI Y Y， et al. Multi-agent deep reinforcement learning for task offloading in UAV-assisted mobile edge computing［J］. IEEE Trans.on Wireless Communications， 2022， 21（9）： 6949-6960.

［68］ YU K J， CUI Q M， ZHANG Z Y， et al. Efficient UAV/satellite-assisted IoT task offloading： a multi-agent reinforcement learning solution［C］∥Proc.of the 27th Asia Pacific Conference on Communications， 2022： 83-88.

作者簡介

劉鵬濤（1997—），男，博士研究生，主要研究方向?yàn)橥ㄐ庞?jì)算資源分配、先進(jìn)傳輸技術(shù)。

雷 菁（1968—），女，教授，博士，主要研究方向?yàn)楝F(xiàn)代通信技術(shù)、信息論與編碼。

劉 偉（1979—），男，副教授，博士，主要研究方向?yàn)楝F(xiàn)代通信技術(shù)、5G物聯(lián)網(wǎng)。