面向任务执行的边缘动态人体数字孪生部署：一种双时间尺度精度感知在线优化
网络与互联网体系结构
2024-01-31 v1
摘要
人体数字孪生（HDT）是一种新兴范式，它将物理孪生（PT）与强大的虚拟孪生（VT）连接起来，以辅助以人为中心的服务中的复杂任务执行。在本文中，我们研究了一种在端-边-云协同框架下构建HDT的双时间尺度在线优化。作为HDT的一个独特特征，我们考虑将PT对应的VT部署在边缘服务器上，这些VT不仅包含通过从云端下载经验知识而放置的通用模型，还包含通过从终端设备收集个性化数据而更新的定制模型。为了在严格的能量和延迟约束下最大化任务执行精度，并考虑到HDT固有的移动性和状态变化不确定性，我们联合并动态地优化VT的构建和PT的任务卸载，以及通信和计算资源的分配。观察到决策变量具有不同的触发时间尺度，我们提出了一种新颖的双时间尺度精度感知在线优化方法（TACO）。具体来说，TACO利用改进的李雅普诺夫方法将问题分解为多个即时问题，然后利用分段McCormick包络和基于块坐标下降的算法，交替处理两个时间尺度。理论分析和仿真表明，所提出的方法能在多项式时间复杂度内达到渐近最优，并证明了其相对于同类方法的优越性。
引用
@article{arxiv.2401.16710,
title = {Dynamic Human Digital Twin Deployment at the Edge for Task Execution: A Two-Timescale Accuracy-Aware Online Optimization},
author = {Yuye Yang and You Shi and Changyan Yi and Jun Cai and Jiawen Kang and Dusit Niyato and Xuemin and Shen},
journal= {arXiv preprint arXiv:2401.16710},
year = {2024}
}