Compute and radio resource orchestration and data fusion in next-generation multiple access (NGMA) 6G-enabled computing paradigms

Abstract

In the evolving landscape of digital transformation, next-generation wireless networks are anticipated to accommodate an unprecedented surge in data generation and computational demands, driven by the proliferation of intelligent services and devices. Within this context, the forthcoming sixth-generation (6G) wireless networks envision a deeply integrated communication-computation fabric, wherein a continuum of heterogeneous resources, distributed across multiple layers, collaboratively sustains the requirements of data-driven and latency-sensitive applications. While this multi-tiered computing infrastructure offers enhanced adaptability and scalability, it also introduces complex interdependencies and inherent competition among network entities over limited radio and compute resources. These challenges, compounded by the uncertainties and heterogeneity that characterize such systems, render conventional centralized solutions insufficient. Consequently, there is a critical need for autonomous and context-aware frameworks that can support distributed decision-making and efficient resource orchestration across the disaggregated computing continuum.In this thesis, we address the problem of compute and radio resource orchestration in heterogeneous, decentralized, and multi-layer computing environments envisioned in 6G networks. Leveraging the Next-Generation Multiple Access (NGMA) paradigm, which enables flexible coordination of radio resources across users, devices, and service layers, the proposed frameworks are designed to model the strategic interactions of network entities operating under resource constraints and competitive dynamics. Adopting a distributed and self-organizing perspective, we develop novel models that explicitly account for agents’ interdependent decisions, diverse objectives, and the inherent limitations in information exchange. To this end, learning, game, and prospect-theoretic tools are employed, enabling the design of low-complexity, scalable solutions that reflect rational and strategic behaviors, providing a realistic approach to resource management in complex 6G computing paradigms. First, to address the challenges inherent in decentralized resource management, the application of distributed Artificial Intelligence (AI) is investigated within the context of Hierarchical Federated Learning (HFL) networks. As the demand for collaborative model training across end-user devices continues to grow, the problem of user association and uplink transmission power allocation in wireless HFL networks is addressed by introducing a satisfaction-based game-theoretic model. This approach effectively balances the tradeoff between global model accuracy, energy consumption, and transmission time. The decentralized nature of this solution ensures scalability, as users are empowered to independently select their optimal association and power transmission strategies, all while guaranteeing that their minimum Quality of Service (QoS) requirements are satisfied. Furthermore, the proposed framework ensures cost-efficiency by minimizing the overall energy expenses associated with transmission, without compromising the system's performance. The integration of Non-Orthogonal Multiple Access (NOMA) enhances communication efficiency, optimizing both energy utilization and network throughput within the system.Subsequently, to address the need for efficient aggregation and coordination in such distributed learning systems, Over-the-Air Computation (AirComp) is introduced as an alternative communication and data fusion technique, particularly suited for large-scale Internet-of-Things (IoT) and learning environments. By leveraging the superposition property of the wireless channel, AirComp enables simultaneous aggregation and reduces communication latency compared to conventional multiple access schemes. The integration of Reconfigurable Intelligent Surfaces (RIS) enhances aggregation accuracy and energy efficiency by optimizing the wireless propagation environment. Within this framework, RIS phase shifts, receive beamforming at the central server, and local computing frequency allocation at client devices are jointly optimized, addressing the tightly coupled communication and computation challenges inherent in distributed learning. The resulting non-convex optimization problem is decomposed into tractable subproblems and solved using Semidefinite Programming, Difference-of-Convex programming, and alternating optimization strategies, ensuring computational efficiency and scalability. %The proposed approach significantly reduces overall latency and energy consumption, demonstrating the practical potential of AirComp-enabled federated learning.Building on the hierarchical edge-cloud architecture for wireless FL, the focus shifts to the broader challenge of task offloading and scheduling in such systems. With increasing demand for real-time, adaptive computing across diverse applications, relying on local processing is no longer feasible. The integration of approximate and delayed computing paradigms within the edge-cloud system presents an effective solution, where tasks are processed at the edge faster with reduced accuracy or forwarded to the cloud for precise but delayed execution. This hybrid approach mitigates latency and improves network efficiency, but it also requires efficient resource allocation to meet QoS demands. In this context, the SatisfOptimizing Game is introduced, a satisfaction-based game-theoretic model that enables users to autonomously choose their offloading strategies while balancing latency and accuracy requirements. The edge system, in turn, employs a Genetic Algorithm for task scheduling to optimize resource utilization.Beyond the optimization of communicational and computational resources, the thesis extends to the economic dimension of the computing continuum, where multiple cloud, edge, and fog providers coexist and compete to attract users. Recognizing that resource allocation decisions are increasingly driven by pricing incentives, a holistic market-based framework for symbiotic resource pricing is introduced. Unlike existing approaches that focus on a single layer of the continuum, this framework captures the interdependence among heterogeneous service providers, enabling both competitive and cooperative market behaviors. Through non-cooperative and coalition-based game formulations, the proposed model analyzes pricing equilibria and equitable profit distribution across providers, revealing how cooperation can enhance market stability and user satisfaction in multi-provider computing ecosystems. This analysis offers a unifying economic perspective, complementing the technical frameworks and highlighting the interplay between market incentives and resource efficiency.Finally, moving from terrestrial multi-layer architectures to the broader computing continuum, the work is adapted to include airborne and satellite-assisted layers, introducing new opportunities and risks in resource-constrained environments. In Space-Air-Ground Integrated Networks (SAGINs), offloading decisions must account not only for latency and energy tradeoffs but also for uncertainty from task rejection and failure, particularly at Unmanned Aerial Vehicle (UAV)-mounted servers with limited computational capacity. To navigate these challenges, a fully distributed and risk-conscious offloading framework is introduced, wherein IoT devices autonomously decide whether to offload tasks to nearby UAV-mounted MEC servers or to distant cloud servers via satellite relays. Unlike conventional models assuming rational, risk-neutral behavior, the proposed approach incorporates Prospect Theory to reflect users' loss-averse perceptions, under resource contention. Treating the UAV as a shared, failure-prone resource, the framework captures the dynamics of a Common-Pool of Resources, enabling devices to balance total overhead with risk.All methodologies are rigorously tested through simulations under diverse network conditions, validating their practical relevance and performance. Metrics such as energy consumption, latency, accuracy, and convergence are comprehensively assessed, revealing consistent advantages over baseline and state-of-the-art methods. The evaluations demonstrate the frameworks' capacity for scalable and adaptive resource management, with notable improvements in resource utilization and QoS in various 6G-enabled computing environments.

Στο ταχέως εξελισσόμενο περιβάλλον του ψηφιακού μετασχηματισμού, τα ασύρματα δίκτυα επόμενης γενιάς αναμένεται να υποστηρίξουν μια άνευ προηγουμένου αύξηση στη παραγωγή δεδομένων και στις υπολογιστικές απαιτήσεις, η οποία τροφοδοτείται από την εξάπλωση ευφυών υπηρεσιών και συσκευών. Στο πλαίσιο αυτό, τα δίκτυα ασύρματης επικοινωνίας έκτης γενιάς (6G) οραματίζονται ένα βαθιά ενοποιημένο υπόβαθρο επικοινωνίας και υπολογισμού, όπου ένα συνεχές ετερογενών πόρων, κατανεμημένων σε πολλαπλά επίπεδα, συνεργάζεται για να υποστηρίξει τις απαιτήσεις εφαρμογών που βασίζονται στα δεδομένα και είναι ευαίσθητες στην καθυστέρηση. Αν και αυτή η πολυεπίπεδη υπολογιστική αρχιτεκτονική προσφέρει ενισχυμένη προσαρμοστικότητα και επεκτασιμότητα, παράλληλα δημιουργεί πολύπλοκες αλληλεξαρτήσεις και εγγενή ανταγωνισμό μεταξύ των οντοτήτων του δικτύου για περιορισμένους επικοινωνιακούς και υπολογιστικούς πόρους. Οι προκλήσεις αυτές, επιδεινούμενες από την αβεβαιότητα και την ετερογένεια που χαρακτηρίζουν τα συγκεκριμένα συστήματα, καθιστούν τις παραδοσιακές κεντρικοποιημένες λύσεις ανεπαρκείς. Συνεπώς, αναδεικνύεται η ανάγκη για αυτόνομα και προσαρμοσμένα στο περιβάλλον πλαίσια λήψης αποφάσεων, ικανά να υποστηρίξουν αποκεντρωμένη και αποδοτική ορχήστρωση πόρων σε ολόκληρο το υπολογιστικό συνεχές.Στην παρούσα διατριβή, εξετάζεται το πρόβλημα της ορχήστρωσης υπολογιστικών και ραδιοεπικοινωνιακών πόρων σε ετερογενή, αποκεντρωμένα και πολυεπίπεδα υπολογιστικά περιβάλλοντα, όπως αναμένονται στα δίκτυα 6G. Βασιζόμενο στο πλαίσιο της Πολλαπλής Πρόσβασης Επόμενης Γενιάς (Next-Generation Multiple Access – NGMA), το οποίο διευκολύνει τον δυναμικό συντονισμό των ραδιοπόρων μεταξύ χρηστών, συσκευών και επιπέδων υπηρεσιών, τα προτεινόμενα πλαίσια στοχεύουν στη μοντελοποίηση των στρατηγικών αλληλεπιδράσεων μεταξύ των οντοτήτων του δικτύου, οι οποίες λειτουργούν υπό περιορισμούς πόρων και σε συνθήκες ανταγωνισμού. Υιοθετώντας μια αποκεντρωμένη και αυτο-οργανωμένη προσέγγιση, αναπτύσσονται νέα μοντέλα που λαμβάνουν ρητά υπόψη τις αλληλεξαρτώμενες αποφάσεις των πρακτόρων, τους διαφοροποιημένους στόχους τους, καθώς και τους περιορισμούς στην ανταλλαγή πληροφοριών. Για τον σκοπό αυτό, αξιοποιούνται εργαλεία μάθησης, Θεωρίας Παιγνίων και Θεωρίας Προοπτικής, τα οποία επιτρέπουν τον σχεδιασμό λύσεων χαμηλής πολυπλοκότητας και υψηλής επεκτασιμότητας, ικανών να μοντελοποιήσουν τη λογική και στρατηγική συμπεριφορά των οντοτήτων, προσφέροντας έτσι μια πιο ρεαλιστική προσέγγιση στη διαχείριση πόρων σε σύνθετα υπολογιστικά περιβάλλοντα 6G.Για την αντιμετώπιση των προκλήσεων που ενυπάρχουν στη διαχείριση αποκεντρωμένων πόρων, αρχικά διερευνάται η εφαρμογή της κατανεμημένης Τεχνητής Νοημοσύνης (Artificial Intelligence - AI) στα πλαίσια των ιεραρχικών δικτύων Ομόσπονδης Μάθησης (Hierarchical Federated Learning – HFL). Λόγω της αυξανόμενης ζήτησης για συνεργατική εκπαίδευση μοντέλων σε επίπεδο τερματικών χρηστών, το πρόβλημα της συσχέτισης χρηστών και της κατανομής ισχύος εκπομπής στο ανοδικό κανάλι των ασύρματων HFL δικτύων αντιμετωπίζεται μέσω ενός παιγνίου ικανοποίησης (satisfaction-based game). Η προσέγγιση αυτή πετυχαίνει αποτελεσματικά την εξισορρόπηση μεταξύ ακρίβειας του ολικού μοντέλου, κατανάλωσης ενέργειας και χρόνου μετάδοσης. Ο αποκεντρωμένος χαρακτήρας της λύσης διασφαλίζει επεκτασιμότητα, καθώς οι χρήστες είναι σε θέση να επιλέγουν αυτόνομα τη βέλτιστη στρατηγική τους όσον αφορά τη συσχέτιση και την ισχύ μετάδοσης, εξασφαλίζοντας παράλληλα την τήρηση των ελάχιστων απαιτήσεων Ποιότητας Υπηρεσίας (Quality of Service - QoS). Επιπλέον, το προτεινόμενο πλαίσιο εξασφαλίζει αποδοτικότητα ως προς το κόστος, ελαχιστοποιώντας τη συνολική ενέργεια μετάδοσης, διατηρώντας ταυτόχρονα την συνολική επίδοση του συστήματος. Η ενσωμάτωση Μη Ορθογωνικής Πολλαπλής Πρόσβασης (Non-Orthogonal Multiple Access - NOMA) βελτιώνει την αποδοτικότητα της επικοινωνίας, βελτιστοποιώντας την ενέργεια και αυξάνοντας τη συνολική χωρητικότητα του ασύρματου δικτύου.Στη συνέχεια, προκειμένου να αντιμετωπιστεί η ανάγκη για αποδοτική συνάθροιση και συντονισμό σε τέτοια κατανεμημένα συστήματα μάθησης, εισάγεται η τεχνική του Υπολογισμού μέσω Ασύρματου Καναλιού (Over-the-Air Computation – AirComp) ως μία εναλλακτική τεχνική επικοινωνίας και συγχώνευσης δεδομένων, ιδιαίτερα κατάλληλη για μεγάλης κλίμακας περιβάλλοντα του Διαδικτύου των Πραγμάτων (Internet-of-Things – IoT) και συστημάτων μάθησης. Αξιοποιώντας την ιδιότητα υπέρθεσης του ασύρματου καναλιού, η τεχνική του AirComp επιτρέπει την ταυτόχρονη συνάθροιση δεδομένων και μειώνει τη χρονική καθυστέρηση επικοινωνίας σε σύγκριση με τα συμβατικά σχήματα πολλαπλής πρόσβασης. Η ενσωμάτωση Αναδιαμορφώσιμων Έξυπνων Επιφανειών (Reconfigurable Intelligent Surfaces – RISs) βελτιώνει την ακρίβεια της συνάθροισης και την ενεργειακή αποδοτικότητα μέσω της βελτιστοποίησης του ασύρματου περιβάλλοντος διάδοσης. Στο πλαίσιο αυτό, οι μετατοπίσεις φάσης του RIS, η διαμόρφωση της δέσμης λήψης στον κεντρικό διακομιστή και η κατανομή της συχνότητας τοπικού υπολογισμού στις συσκευές βελτιστοποιούνται από κοινού, αντιμετωπίζοντας τις στενά συνδεδεμένες προκλήσεις επικοινωνίας και υπολογισμού που ενυπάρχουν στην κατανεμημένη μάθηση. Το προκύπτον μη κυρτό πρόβλημα βελτιστοποίησης διασπάται σε επιλύσιμα υποπροβλήματα και επιλύεται με χρήση διαφορετικών τεχνικών Προγραμματισμού Ημιθετικής Χαλάρωσης (Semidefinite Programming), Προγραμματισμού Διαφοράς Κυρτών Συναρτήσεων (Difference-of-Convex Programming) και στρατηγικών εναλλασσόμενης βελτιστοποίησης (Alternating Optimization), εξασφαλίζοντας αποδοτικότητα και επεκτασιμότητα.Στη συνέχεια, αξιοποιώντας την ιεραρχική αρχιτεκτονική δικτύων άκρου-νέφους (edge-cloud) που μελετήθηκε για ασύρματη ομόσπονδη μάθηση, η προσοχή στρέφεται πλέον στην ευρύτερη πρόκληση της εκφόρτωσης και του χρονοπρογραμματισμού των εργασιών σε αυτά τα συστήματα. Καθώς οι απαιτήσεις για υπολογισμούς σε πραγματικό χρόνο, από διαφορετικές εφαρμογές αυξάνονται, η αποκλειστική εξάρτηση από τοπική επεξεργασία καθίσταται μη βιώσιμη. Η ενσωμάτωση προσεγγιστικών και καθυστερημένων τεχνικών υπολογισμού στα δίκτυα άκρου-νέφους προσφέρει μια αποδοτική λύση, όπου οι εργασίες μπορούν να εκτελεστούν στο άκρο γρηγορότερα με μειωμένη ακρίβεια ή να προωθηθούν στο νέφος για καθυστερημένη αλλά ακριβέστερη επεξεργασία. Η υβριδική αυτή προσέγγιση συμβάλλει στη μείωση της καθυστέρησης και στη βελτίωση της αποδοτικότητας του δικτύου, ενώ ταυτόχρονα απαιτεί αποτελεσματική κατανομή πόρων για την κάλυψη των απαιτήσεων ποιότητας υπηρεσίας των χρηστών. Σε αυτό το πλαίσιο εισάγεται το παίγνιο SatisfOptimizing, ένα παιγνιοθεωρητικό μοντέλο ικανοποίησης, που επιτρέπει στους χρήστες να επιλέγουν αυτόνομα τη στρατηγική εκφόρτωσής τους, εξισορροπώντας τις απαιτήσεις καθυστέρησης και ακρίβειας. Παράλληλα, το σύστημα άκρου χρησιμοποιεί ένα γενετικό αλγόριθμο για βέλτιστο χρονοπρογραμματισμό εργασιών.Πέραν της βελτιστοποίησης των επικοινωνιακών και υπολογιστικών πόρων, η διατριβή επεκτείνεται στη μελέτη της οικονομικής διάστασης του υπολογιστικού συνεχούς, όπου πολλαπλοί πάροχοι υπολογιστικών υπηρεσιών (νέφους, άκρου και ομίχλης) συνυπάρχουν και ανταγωνίζονται για την προσέλκυση χρηστών. Αναγνωρίζοντας ότι οι αποφάσεις κατανομής πόρων καθοδηγούνται ολο και περισσότερο από οικονομικά κίνητρα, προτείνεται ένα ολοκληρωμένο, βασισμένο στην αγορά πλαίσιο για τη συμβιωτική τιμολόγηση πόρων. Σε αντίθεση με προηγούμενες προσεγγίσεις της βιβλιογραφίας που εστιάζουν σε μεμονωμένα επίπεδα του συνεχούς, το προτεινόμενο μοντέλο αποτυπώνει την αλληλεξάρτηση μεταξύ ετερογενών παρόχων, επιτρέποντας τόσο ανταγωνιστικές όσο και συνεργατικές στρατηγικές συμπεριφορές. Μέσω μη συνεργατικών (Non-cooperative) και συνεργατικών (Cooperative) παιγνίων, το προτεινόμενο μοντέλο αναλύει τις ισορροπίες τιμολόγησης και τη δίκαιη κατανομή των κερδών μεταξύ παρόχων, αναδεικνύοντας ότι η συνεργασία μπορεί να ενισχύσει τη σταθερότητα της αγοράς και την ικανοποίηση των χρηστών σε περιβάλλοντα πολλαπλών παρόχων. Αυτή η ανάλυση προσφέρει μια ενοποιημένη οικονομική προοπτική που συμπληρώνει τα τεχνικά πλαίσια και αναδεικνύει την αλληλεπίδραση μεταξύ κινήτρων της αγοράς και αποδοτικότητας των πόρων.Τέλος, μεταβαίνοντας από τις επίγειες πολυεπίπεδες αρχιτεκτονικές στο ευρύτερο υπολογιστικό συνεχές, η μελέτη προσαρμόζεται ώστε να περιλαμβάνει επίπεδα υποστήριξης από εναέριες και δορυφορικές υποδομές, εισάγοντας νέες ευκαιρίες και κινδύνους σε περιβάλλοντα με περιορισμένους πόρους. Στα Ενοποιημένα Δίκτυα Διαστήματος-Αέρος-Εδάφους (Space-Air-Ground Integrated Networks – SAGINs), οι αποφάσεις εκφόρτωσης πρέπει να λαμβάνουν υπόψη όχι μόνο την εξισορρόπηση μεταξύ καθυστέρησης και ενέργειας, αλλά και την αυξημένη αβεβαιότητα αποτυχίας εκτέλεσης, ιδίως στους ενσωματωμένους διακομιστές σε μη επανδρωμένα εναέρια οχήματα (Unmanned Aerial Vehicles - UAVs) με περιορισμένη υπολογιστική ισχύ. Για την αντιμετώπιση αυτών των προκλήσεων, εισάγεται ένα πλήρως κατανεμημένο και προσαρμοσμένο στον κίνδυνο πλαίσιο εκφόρτωσης εργασιών, στο οποίο IoT συσκευές αποφασίζουν αυτόνομα αν θα εκχωρήσουν εργασίες σε κοντινούς διακομιστές τοποθετημένους σε UAVs ή σε απομακρυσμένους διακομιστές νέφους μέσω ενδιάμεσων δορυφορικών συνδέσεων. Σε αντίθεση με τα παραδοσιακά μοντέλα που υποθέτουν ορθολογική και ουδέτερη ως προς τον κίνδυνο συμπεριφορά, η προτεινόμενη προσέγγιση ενσωματώνει τη Θεωρία Προοπτικής, η οποία αποτυπώνει την υποκειμενική συμπεριφορά αποστροφής απωλειών των χρηστών υπό συνθήκες ανταγωνισμού για περιορισμένους πόρους. Με τη μεταχείριση του UAV ως κοινόχρηστου και επιρρεπούς σε αποτυχία πόρου, το πλαίσιο αποτυπώνει αποτελεσματικά τη δυναμική ενός Κοινόχρηστου Πόρου (Common-Pool of Resources - CPR), επιτρέποντας στις συσκευές να ισορροπούν το συνολικό κόστος και τον κίνδυνο αποτυχίας.Όλες οι προτεινόμενες μεθοδολογίες αξιολογούνται μέσω εκτεταμένων προσομοιώσεων υπό ποικίλες συνθήκες δικτύου, επιβεβαιώνοντας την πρακτική τους αποτελεσματικότητα. Μετρικές απόδοσης, όπως η κατανάλωση ενέργειας, η καθυστέρηση, η ακρίβεια και η σύγκλιση των μοντέλων, εξετάζονται διεξοδικά, αποδεικνύοντας την υπεροχή των προτεινόμενων πλαισίων έναντι βασικών μοντέλων και υφιστάμενων προσεγγίσεων της βιβλιογραφίας. Οι αξιολογήσεις δείχνουν την ικανότητα των προτεινόμενων πλαισίων για επεκτάσιμη και προσαρμοστική διαχείριση πόρων, με αξιοσημείωτες βελτιώσεις στη αξιοποίηση των πόρων και στην ποιότητα υπηρεσιών σε διάφορα υπολογιστικά περιβάλλοντα υποστηριζόμενα από δίκτυα 6G.