Corte ultraconfiable y de baja latencia en redes de computación en el borde de acceso múltiple espacio–aire–tierra para el Internet de las cosas y aplicaciones móviles de próxima generación

Estudiamos el problema del corte ultra-confiable y de baja latencia en sistemas de computación en el borde de acceso múltiple (MEC) para el Internet de las cosas (IoT) de próxima generación y aplicaciones móviles que operan en la red integrada espacio-aire-tierra. La red tiene una topología dinámica formada por múltiples nodos no estacionarios con enlaces de comunicación inestables y recursos de procesamiento/transmisión poco fiables. Cada nodo puede estar en uno de dos estados ocultos: i) confiable, en el que el nodo no genera errores ni pérdidas de datos; ii) poco fiable, cuando el nodo puede generar/propagar errores/pérdidas de datos aleatorios. Resolver este problema es difícil, ya que representa un problema de maximización estocástica no cóncava, no suave, NP-difícil en tiempo polinómico no determinista, que depende de los estados ocultos desconocidos de los nodos y de información privada sobre los parámetros locales y dinámicos de cada nodo, que solo es conocida por ese nodo y no por otros nodos. Para abordar estos desafíos, desarrollamos un nuevo modelo de aprendizaje profundo (DL) basado en la red neuronal gráfica de paso de mensajes (MPNN) para estimar los estados ocultos de los nodos. Luego proponemos un novedoso algoritmo basado en el método de multiplicadores de dirección alterna en línea (ADMM), una extensión del conocido ADMM “estático” a entornos dinámicos, donde nuestro problema de corte puede resolverse de manera distribuida, en tiempo real, sin revelar información local (privada) de los nodos. Demostramos que nuestro algoritmo converge a un óptimo global del problema de corte y tiene un buen rendimiento consistente incluso en escenarios altamente dinámicos y poco fiables.