Exploiting Moving Intelligence: Delay-Optimized Computation Offloading in Vehicular Fog Networks
未来的汽车将拥有丰富的计算资源，以支持自动驾驶，并通过无线技术连接。因此，出现了车载雾网络（VeFN），通过计算任务卸载实现计算资源共享，提供广泛的雾应用。然而，车辆的高机动性使得很难保证整个任务卸载过程中的通信和计算延迟。在本文中，我们首先回顾了VeFN中任务卸载的最新技术，并认为移动性不仅是VeFN中及时计算的障碍，而且还可以提高延迟性能。然后，我们将机器学习和编码计算确定为解决和利用VeFN移动性的关键技术。通过案例研究，说明了如何调整学习算法以适应VeFN中的动态环境，以及如何利用机会计算卸载和任务复制的移动性。
2019-02-07 cs.NI
The RICH Prefetching in Edge Caches for In-Order Delivery to Connected Cars
5G网络边缘的内容缓存是一个新兴的关键功能，可以满足未来互联汽车对内容的需求。然而，5G蜂窝的紧密封装、边缘的有限存储容量以及在驾驶时对内容可用性的需求，促使人们需要开发适应联网汽车移动性特征的智能边缘缓存策略。在本文中，我们提出了一种名为RICH（RoadsIde CacHe）的方案，该方案最佳地将内容缓存在连接车辆最需要的边缘节点处。特别是，我们的计划旨在确保按顺序交付的内容块到最终用户。与盲流行度决策不同，RICH使用的概率缓存考虑了系统可以实际获取的用户移动性信息。此外，我们提供了一个完整的系统架构，并定义了协议，通过它不同的系统实体可以进行交互。我们评估我们的方法对国家的最先进的解决方案，在现实的移动数据集和系统场景的性能。我们的RICH边缘缓存方案显著提高了缓存处的内容可用性，并降低了所需的回程带宽，对最终用户和网络运营商都有有益的影响。
2019-08-20 cs.NI
Design and Analysis of Optimal Threshold Offloading (OTO) Algorithm for LTE Femtocell/Macrocell Networks
LTE毫微微小区已经被广泛部署以增加网络容量并从宏小区卸载移动数据业务。当考虑蜂窝用户的移动性行为时，形成了一个两难的选择：用户设备（UE）应该切换到毫微微小区还是保持与宏小区的当前连接？实际上，各种用户移动性行为可能导致显著的信令开销，并且由于频繁的切换进入/离开毫微微小区而降低毫微微小区卸载能力。为了解决这个难题，在本文中，我们提出了一个最佳阈值卸载（OTO）算法考虑信令开销和毫微微小区卸载能力之间的权衡。我们开发了一个分析模型，并定义了两个性能指标来量化权衡。该模型不仅模拟用户的移动性行为，但也捕获毫微微蜂窝卸载的好处，并阐明它们的基本关系。通过大量的ns 2仿真验证了解析模型和仿真模型的正确性。分析和仿真结果表明，OTO算法可以显着减少信令开销的毫微微蜂窝卸载能力的较小的代价。研究结果具有广泛的适用性，具有重要的理论意义。此外，分析结果提供了一种快速的方法来评估信令开销和卸载能力在LTE网络中没有广泛的部署，节省成本和时间。
2016-07-13 cs.NI
Offloading Cellular Traffic through Opportunistic Communications: Analysis and Optimization
最近已经提出通过机会性通信来卸载业务作为减轻蜂窝网络的当前过载的方式。当移动终端用户（临时）彼此接近时，可能发生竞争性通信，使得设备可以建立本地对等连接（例如，通过蓝牙）。由于机会主义通信是基于参与者的自发移动性，它本质上是不可靠的。这对必须满足应用要求的任何蜂窝卸载解决方案的设计提出了严峻的挑战。在本文中，我们解决这个挑战，从优化分析的角度来看，与现有的启发式解决方案。我们首先建模的内容传播（通过蜂窝接口注入）在一个机会网络与异构节点的移动性。然后，基于该模型，我们推导出最优的内容注入策略，该策略在满足应用约束的同时使蜂窝网络的负载最小化。最后，我们提出了一个自适应算法的控制理论的基础上，实现这种最优策略，而不需要任何数据的移动模式或移动节点的接触率。所提出的方法进行了广泛的评估与异构移动模型以及现实世界的接触痕迹，表明它大大优于以前的方法在文献中提出的。
2014-05-14 cs.NI
Impact of User Privacy and Mobility on Edge Offloading
本研究探讨边缘卸载中用户隐私与移动性的影响，通过模拟不同场景揭示隐私保护、移动性与卸载性能之间的权衡。
2023-06-27 cs.CR cs.DC cs.NI
MOFCO: Mobility- and Migration-Aware Task Offloading in Three-Layer Fog Computing Environments
针对三层雾计算中UE移动性导致服务迁移代价高的问题，提出MOFCO算法，将任务卸载与资源分配建模为MINLP问题并用启发式辅助演化博弈论求解，使系统成本平均降低19%，最高达43%。
2025-07-16 cs.AR cs.DC cs.NI
A Deep Reinforcement Learning Based Approach for Cost- and Energy-Aware Multi-Flow Mobile Data Offloading
随着对移动数据的需求的快速增长，移动网络运营商正试图通过部署无线局域网（LAN）热点来扩展无线网络容量，移动网络运营商可以将其移动业务卸载到该无线局域网热点上。然而，这些以网络为中心的方法通常不满足移动用户（MU）的利益。考虑到许多问题，如不同的应用程序的最后期限，货币成本和能源消耗，MU如何决定是否卸载他们的流量到互补的无线局域网是一个重要的问题。以前的研究假设MU的移动模式是事先知道的，这并不总是正确的。在本文中，我们研究了MU的政策，以尽量减少他的货币成本和能源消耗，而不知道MU的流动性模式。我们建议使用一种称为深度Q网络（DQN）的强化学习技术，用于MU从过去的经验中学习最佳卸载策略。在所提出的基于DQN的卸载算法中，不再需要MU的移动性模式。此外，MU的剩余数据的状态被直接馈送到卷积神经网络在DQN没有离散化。因此，不仅在以前的工作中存在的离散化误差消失，而且它使所提出的算法具有概括过去的经验，这是特别有效的状态数很大的能力。大量的模拟进行验证我们提出的卸载算法。
2018-01-30 cs.NI
Computation Offloading and Content Caching Delivery in Vehicular Edge Computing: A Survey
自动驾驶汽车（AV）在支持各种车辆应用之前会生成大量数据。因此，大存储和高计算平台是必要的，并且这通过云计算（CC）的存在而成为可能。然而，由于邻近问题，在云计算处的车辆网络的计算遭受若干缺点，诸如延迟和成本。作为一种解决方案，最近已经提出了在车辆网络的边缘处的计算能力，这被称为车辆边缘计算（VEC）。这导致了车辆在边缘节点卸载和计算数据的其他开放问题，以及数据如何在边缘节点中缓存然后传播到其他车辆。在本文中，我们首先提出了一个概述的VEC架构，包括类型的层，雾节点，通信技术和车辆应用程序，这是用于数据卸载和传播的情况。由于移动性对VEC性能至关重要，因此还讨论了VEC场景中使用的移动性模型。我们广泛审查计算卸载（ComOf）技术以及内容缓存和交付（CachDel）的方法VEC。最后，我们强调了一些关键的研究挑战，问题和未来的工作在文件中
2019-12-17 cs.NI
Embodied AI-Enhanced IoMT Edge Computing: UAV Trajectory Optimization and Task Offloading with Mobility Prediction
School of Sports Engineering, Beijing Sport University（体育工程学院，北京体育大学）；School of Computer and Information Technology, Beijing Jiaotong University（计算机与信息学院，北京交通大学）；State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications（网络与交换技术国家重点实验室，北京邮电大学）；School of Electronics and Information Engineering, Beijing Jiaotong University（电子与信息工程学院，北京交通大学）
本文提出了一种基于移动预测的无人机轨迹优化与任务卸载方法，利用具身AI增强的IoMT边缘计算框架，通过分层多尺度Transformer模型和预测增强型DRL算法，实现对WBAN用户任务的关键性优化。
2025-12-24 cs.AI cs.NI
COHERE -- Congestion-aware Offloading and Handover via Empirical RAT Evaluation for Multi-RAT Networks
University of Florida（佛罗里达大学）
针对多RAT网络中仅依赖RSSI导致切换决策次优的问题，提出多准则框架COHERE，结合TOPSIS算法与主客观权重对RAT进行排名并执行智能跨RAT卸载，实验证明其显著降低拥塞与切换次数并改善延迟。
2025-11-01 cs.NI
TARMM: Scaling Delay-Critical Edge AI Offloading in 5G O-RAN via Temporal Graph Mobility Management
Department of Computer Science Engineering Michigan State University（密歇根州立大学计算机科学与工程系）
本文提出TARMM，一种优化5G O-RAN用户移动管理的系统，通过时间图模型和多智能体强化学习框架，提升延迟关键边缘AI卸载的实时性和可靠性。
2026-04-27 cs.NI cs.SY eess.SY
Koopman based trajectory model and computation offloading for high mobility paradigm in ISAC enabled IoT system
HCMC University of Technology（胡志明市技术大学）；VNU-HCM（胡志明市国家大学）
本文针对ISAC使能的物联网高移动性场景，提出基于Koopman的轨迹模型和贪婪资源分配优化策略，以最小化多用户网络总能耗，实验显示每1000次迭代可提升33%。
2024-06-28 cs.LG cs.NI cs.SY
Offloading traffic hotspots using moving small cells
在本文中，在移动网络中的移动小小区的概念，并考虑到系统的动态评估。我们考虑根据曼哈顿移动性模型移动的小小区，这是当小小区在通常拥挤的区域中按照预定义的轨迹部署在公共汽车的顶部时的情况。考虑到用户位置的分布，我们研究了考虑多类处理器共享队列组成的排队模型的动态水平。宏小区和小小区被假设为在相同的带宽中操作。因此，它们由于每个小区产生的相互干扰而耦合到另一个小区。我们的研究结果表明，部署移动的小小区可能是一个有效的解决方案，以卸载流量热点。
2016-08-03 cs.NI
Cooperative Content Offloading Through WiFi and Mobile Device-to-Device Networks
本文研究了WiFi和移动设备到设备网络的使用，车辆自组织网络是一个典型的例子，作为一种补充手段，以卸载和减少蜂窝网络的流量负载。提出了一种新的合作内容分发策略，异构网络包括不同类型的设备具有不同的移动性水平，从静态的WiFi接入点，以移动设备，如车辆。所提出的策略将很大一部分数据流量从蜂窝网络卸载到WiFi或设备到设备网络。详细分析了采用该策略的异构网络中的内容分发过程。在此基础上，讨论了内容传播策略的最优参数设置。仿真和数值研究表明，该策略有效地减少了蜂窝网络的数据流量，同时保证成功的内容交付。
2017-01-03 cs.NI
CoMoE: Collaborative Optimization of Expert Aggregation and Offloading for MoE-based LLMs at Edge
Harbin Institute of Technology（哈尔滨工业大学）；Hong Kong University of Science and Technology（香港科技大学）；Guangdong University of Technology（广东工业大学）；University of Science and Technology Beijing（北京科技大学）
针对移动边缘环境下部署MoE大模型面临的内存与延迟挑战，提出CoMoE框架，通过协同优化专家聚合与卸载策略，在保持模型性能的同时大幅降低内存占用和推理延迟。
2025-08-10 cs.AI cs.NI
Mobility as an Alternative Communication Channel: A Survey
我们回顾了研究文献调查系统中，移动实体可以携带数据，而他们移动。这些实体本质上可以是移动的（例如，人类和动物）或通过设计移动（例如，火车、飞机和汽车）。配备有存储能力的这种实体的移动创建了通信信道，其可以帮助克服传统数据网的限制或缺乏。常见的限制包括这些网络提供的容量与交通需求不匹配，或由于环境因素而部署有限。应用场景包括从传统网络卸载流量以提高容量，弥合连接差距，或在具有挑战性的环境中部署ad hoc网络以增强覆盖范围。
2018-05-31 cs.NI
Energy-Efficient Task Computation at the Edge for Vehicular Services
University of Oslo（奥斯陆大学）；Karlstad University（卡尔斯特德大学）；Telefonica Research（Telefónica 研究）
本文提出了一种基于多智能体强化学习的边缘计算节能任务卸载方法，通过分析汽车移动模式优化任务计算，减少能耗和用户不满，提高车联网服务性能。
2025-11-23 cs.NI
Offloading Content with Self-organizing Mobile Fogs
城市环境中的移动用户从不同位置访问互联网上的内容。对于当前的服务提供商来说，应对来自大量并置移动用户的不断增长的内容需求是具有挑战性的。网络内缓存在更接近用户的节点上卸载内容缓解了这个问题，尽管需要有效的缓存管理来找出谁应该在城市环境中缓存什么，何时何地，给定节点有限的计算，通信和缓存资源。为了解决这个问题，我们首先定义了一个新的内容流行度和网络中的可用性之间的关系，并调查一个节点的资格缓存内容的基础上，其城市的可达性。然后，我们允许节点自组织成移动雾，以增加分布式缓存，并以具有成本效益的方式最大限度地提高内容的可用性。然而，为了迎合理性的节点，我们提出了一个联盟游戏的节点提供一个最大的“虚拟缓存”假设货币奖励支付给他们的服务/内容提供方。节点被允许合并到不同的时空联盟，以增加在网络边缘的分布式缓存大小。通过模拟使用现实的城市流动性跟踪得到的结果验证我们的缓存系统的性能，显示缓存命中率为60-85%相比，现有的计划和10%的情况下，没有联盟的30-40%。
2017-07-19 cs.NI
A Survey on Intelligent Computation Offloading and Pricing Strategy in UAV-Enabled MEC Network: Challenges and Research Directions
移动网络运营商（MNO）必须选择如何将移动终端（MD）查询委托给其移动边缘计算（MEC）服务器，以便最大化具有不同延迟需求的已接纳请求的总体益处。无人机和人工智能由于其部署的灵活性、无人机的高机动性和人工智能算法的高效性，可以提高MNO的性能。MD产生的成本与MNO获得的利润之间存在权衡。另一方面，将智能计算卸载到支持UAV的MEC是一种有前途的方式，可以弥合MD有限的处理资源以及用于UAV-MEC网络中的计算卸载的智能算法与即将到来的应用的高计算需求之间的差距。这项研究着眼于一些研究的好处，计算卸载过程中的无人机MEC网络，以及智能模型，用于计算卸载。此外，本文还探讨了几种智能定价技术在不同结构的无人机MEC网络。最后，本文重点介绍了一些重要的开放式研究问题和未来的研究方向，人工智能（AI）在计算卸载和应用智能定价策略的无人机MEC网络。
2022-08-22 cs.DC cs.NI
Economics of WiFi Offloading: Trading Delay for Cellular Capacity
由于智能手持设备和高流量应用的激增，蜂窝网络正面临严重的流量过载。一种经济实用的解决方案是通过WiFi卸载蜂窝数据。最近的理论和实验研究表明，一种称为延迟WiFi卸载的方案可以通过延迟用户的数据和利用移动性来显著节省蜂窝容量，从而增加遇到WiFi AP（接入点）的机会。尽管WiFi卸载在缓解移动数据爆炸方面具有巨大潜力，但其成功在很大程度上取决于向用户和运营商提供的经济激励，以部署和使用延迟卸载。在本文中，我们研究了多少经济利益可以产生由于延迟WiFi卸载，通过建模的垄断提供商和用户之间的两阶段序列博弈的基础上的市场。我们还提供了大量的数值计算结果，使用一组参数从实际的跟踪和思科的预测流量统计数据在2015年。在分析和数值结果中，我们模拟了各种实际情况和控制旋钮的流量需求和愿意支付的用户，时空依赖的定价和流量，以及不同的定价和延迟容忍。我们证明，延迟的WiFi卸载有相当大的经济效益，其中增加范围从21%到152%的供应商的收入，从73%到319%的用户的盈余，相比现场的WiFi卸载。
2012-12-31 cs.GT cs.NI
Computation Pre-Offloading for MEC-Enabled Vehicular Networks via Trajectory Prediction
本文提出基于轨迹预测的预卸载决策（TPPD）算法，利用LSTM预测车辆轨迹并结合DDQN进行动态资源分配，显著降低了任务处理延迟并提高了资源利用率。
2024-09-26 cs.CY cs.NI
Cellular traffic offloading via Opportunistic Networking with Reinforcement Learning
Institute for Informatics and Telematics, National Research Council（国家研究委员会信息与远程信息处理研究所）
移动电话的广泛普及正在引发移动数据流量的指数增长，这可能在不久的将来甚至在上一代蜂窝网络中引起相当大的流量过载问题。将部分流量卸载到其他网络被认为是一种非常有前途的方法，特别是在本文中，我们考虑通过用户设备的机会网络进行卸载。然而，这种解决方案的性能强烈地依赖于移动节点之间的相遇模式，因此在设计卸载控制算法时应考虑到这一点。在本文中，我们提出了一个自适应卸载解决方案的基础上的强化学习框架，我们评估和比较两个著名的学习算法：演员批评和Q学习的性能。更确切地说，在我们的解决方案中，传播过程的控制器，一旦训练，能够选择适当数量的内容副本注入到机会网络，以保证及时交付的内容给所有感兴趣的用户。我们表明，我们的系统基于强化学习是能够自动学习一个非常有效的策略，以减少蜂窝网络上的流量，而不依赖于任何额外的上下文信息的机会网络。我们的解决方案在一系列不同的移动性设置中实现了比其他最先进方法更高水平的卸载。此外，我们还证明了基于Actor-Critic算法的更精细的学习解决方案比基于Q学习的更简单的解决方案更有效。
2021-10-01 cs.LG cs.NI
Prediction based computation offloading and resource allocation for multi-access ISAC enabled IoT system
针对高移动性物联网中移动设备资源受限问题，提出基于预测的ISAC系统计算卸载与资源分配框架，通过提取轨迹和速度等数据属性进行分配决策，其ClusterMan软件包在预测中实现了97%的准确率。
2024-06-28 cs.DC cs.ET cs.NI
Vehicular Network Slicing for Reliable Access and Deadline-Constrained Data Offloading: A Multi-Agent On-Device Learning Approach
由于无线信道上的数据率从根本上受到限制，因此高效的数据卸载在计算密集型平台中起着关键作用。最重要的是，高移动性增加了车辆边缘网络（VEN）的额外负担，从而增强了对以用户为中心的高效解决方案的需求。因此，与传统的不灵活的以网络为中心的方法不同，本文利用软件定义的灵活，开放和可编程的网络平台，在VEN中实现高效的以用户为中心，快速，可靠和期限受限的卸载解决方案。在所提出的模型中，每个活跃的车辆用户（VU）从多个低功率接入点（AP）通过创建一个高贵的虚拟小区（VC）。联合节点关联，功率分配，和分布式资源分配问题制定。由于集中式学习在许多现实问题中并不实用，因此遵循自治VU的分布式性质，每个VU都被认为是边缘学习代理。为此，考虑到实际的位置感知节点的关联，联合无线电和功率资源分配非合作随机博弈制定。利用强化学习（RL）的有效性，提出了一种多智能体强化学习（MARL）解决方案，其中边缘学习器的目标是学习纳什均衡（NE）策略，以有效地解决游戏。此外，真实世界的地图数据，与一个实用的微观移动模型，用于模拟。结果表明，所提出的以用户为中心的方法可以提供显着的性能在VENs。此外，所提出的MARL解决方案提供了接近最佳的性能，在上行链路中的分布式随机接入的情况下，具有约3%的冲突概率。
2021-10-14 cs.DC cs.MA cs.NI
Multitier Service Migration Framework Based on Mobility Prediction in Mobile Edge Computing
本文针对移动边缘计算中用户移动导致的服务中断问题，提出一种基于地图数据且无需用户轨迹先验知识的在线移动性预测方法，并构建多层服务迁移框架以最小化中断时间并减少冗余流量。
2024-02-21 cs.DC cs.NI
Towards Resilience: Slice-Driven Orchestration of Mobile IoMT in 6G-Edge-Continuum
Centre for Wireless Communications（无线通信中心）；University of Oulu（奥卢大学）
针对6G-边缘连续体中移动IoMT编排的资源与动态适配问题，提出集成5G网络切片等技术的自适应框架，经SimPy仿真验证可提升服务部署效率并改善IoMT服务性能。
2026-10-14 cs.AI cs.DC cs.NI
Social Data Offloading in D2D-Enhanced Cellular Networks by Network Formation Games
近来，蜂窝网络被基于社交的服务（诸如YouTube、Facebook和Twitter）严重过载，其中数千个客户端订阅公共内容提供方（例如，流行歌手）并一直下载他/她的内容更新。通过补充网络（诸如由移动订户之间的设备到设备（D2 D）通信形成的延迟容忍网络）卸载这样的业务是减少蜂窝负担的有前景的解决方案。在现有的解决方案中，移动用户被假设为志愿者，他们在移动时自私地将内容传递给附近的每个其他用户。然而，实际用户是自私的，并且他们将在D2 D共享过程中评估他们的个人收益，这与无私用户的情况相比可能会极大地影响网络性能。在本文中，我们考虑到用户的自私，并提出了一个网络形成游戏，捕捉自私行为的动态特性。在建议的游戏中，我们提供了每个用户的效用函数，并指定的条件下，保证用户收敛到一个稳定的网络。然后，我们提出了一个实用的网络形成算法，其中用户可以决定他们的D2 D共享策略的基础上，他们的历史记录。仿真结果表明，与理想的志愿用户相比，用户自私会严重降低数据卸载的效率。此外，由用户自私引起的减少可能受到蜂窝传输和D2 D传输之间的成本比、接入延迟和移动性模式的高度影响。
2015-07-24 cs.GT cs.NI cs.SI
Mobile Edge Computing: A Survey on Architecture and Computation Offloading
移动用户设备（UE）（诸如智能电话或膝上型计算机）的技术演进与新的移动应用的演进齐头并进。然而，在UE处运行计算要求高的应用受到UE的有限电池容量和能量消耗的约束。延长UE电池寿命的合适解决方案是将需要大量处理的应用程序卸载到传统的集中式云（CC）。然而，该选项引入了显著的执行延迟，包括将卸载的应用程序交付到云和返回加上云计算的时间。这种延迟是不方便的，并且使得卸载不适合于实时应用。为了解决延迟问题，引入了一种新的新兴概念，称为移动边缘计算（MEC）。MEC将计算和存储资源带到移动网络的边缘，使得能够在UE处运行高要求的应用，同时满足严格的延迟要求。MEC计算资源也可以被运营商和第三方用于特定目的。在本文中，我们首先描述MEC适用的主要用例和参考场景。在此之后，我们调查现有的概念，将MEC功能的移动网络，并讨论目前的进展，在MEC的标准化。这项调查的核心是，然后，集中在MEC中面向用户的用例，即，计算卸载。在这方面，我们将计算卸载的研究分为三个关键领域：i）计算卸载的决策，ii）MEC内的计算资源分配，iii）移动性管理。最后，我们强调了MEC领域的经验教训，并讨论了尚未解决的开放研究挑战，以充分享受MEC提供的潜力。
2017-03-13 cs.IT cs.NI math.IT
Mobility-Aware Caching in D2D Networks
在移动设备处的缓存可以促进设备到设备（D2 D）通信，这可以显著地提高频谱效率并减轻回程链路上的沉重负担。然而，大多数以前的工作忽略了用户的移动性，从而具有有限的实际应用。在本文中，我们利用不同用户之间的相互接触时间的用户移动性模式，并提出了一个移动性感知的缓存放置策略，以最大限度地提高数据卸载率，这是定义为所请求的数据，可以通过D2 D链路，而不是通过基站（BS）交付的百分比。针对NP难的缓存放置问题，我们首先提出了一种最优的动态规划（DP）算法来获得性能基准，但其复杂度比穷举搜索低得多。然后，我们将证明，该问题属于单调子模极大化类的拟阵约束，并提出了一个时间有效的贪心算法，它实现了近似比为1/2。仿真结果与现实生活中的数据集将验证我们提出的移动感知缓存放置策略的有效性。我们观察到，无论是非常低或非常高的速度移动的用户应该缓存最流行的文件，而用户以中等速度移动应该缓存不太流行的文件，以避免重复。
2017-03-04 cs.IT cs.NI math.IT
Energy-Delay Minimization of Task Migration Based on Game Theory in MEC-assisted Vehicular Networks
路边单元（RSU），具有强大的计算能力，并接近车辆节点，已被广泛用于处理车辆节点的延迟和计算密集型任务。然而，由于车辆的高移动性，在接收到任务处理结果之前，车辆可能会驶出RSU的覆盖范围。在本文中，我们提出了一种移动边缘计算辅助车辆网络，其中车辆可以通过车辆到车辆（V2V）链路将其任务卸载到附近的车辆，或者通过车辆到基础设施链路将其任务卸载到附近的RSU。这些任务也通过V2V链路或基础设施到基础设施（I2I）链路迁移，以避免车辆无法从RSU接收已处理任务的情况。考虑到卸载任务和迁移任务同一环节的相互干扰，我们构建了一个基于车辆卸载决策的博弈，以最小化计算开销。利用有限改进性质证明了博弈总是能达到纳什均衡并收敛。然后，我们提出了一个任务迁移（TM）算法，其中包括三个任务处理方法和两个任务迁移方法。在TM算法的基础上，提出了计算开销最小化卸载（COMO）算法。大量的仿真结果表明，提出的TM和COMO算法减少了计算开销，提高了任务处理的成功率。
2022-05-13 cs.NI eess.SP
SDN enabled Mobility Management in Multi Radio Access Technology 5G networks: A Survey
本文综述了利用SDN使能架构管理5G等多无线接入技术网络中的切换问题，探讨了先进架构、卸载技术及实现方法，并指出了当前挑战与未来方向。
2023-04-06 cs.NI cs.SY eess.SY
EMM: Energy-Aware Mobility Management for Mobile Edge Computing in Ultra Dense Networks
将移动边缘计算（MEC）功能与密集部署的基站（BS）相结合，可以带来巨大的好处，例如对计算资源的真正接近、低延迟访问。然而，设想的集成带来了许多新的挑战，其中移动性管理（MM）是一个关键的。简单地应用现有的面向无线电接入的MM方案导致较差的性能，这主要是由于MEC使能的BS的无线电接入和计算服务的共同供应。在本文中，我们开发了一种新的以用户为中心的能量感知移动性管理（EMM）计划，以优化由于无线电接入和计算的延迟，在长期的用户能耗约束。基于李雅普诺夫优化和多臂强盗理论，EMM在线工作的方式没有未来的系统状态信息，并有效地处理不完美的系统状态信息。理论分析明确考虑了无线切换和计算迁移成本，并证明了与具有准确和完整的未来系统信息的Oracle解决方案相比，延迟性能和能耗都有界偏差。所提出的算法也有效地处理的情况下，候选BS随机开关在卸载过程中的任务。仿真结果表明，该算法在满足用户能量消耗约束的情况下，可以获得接近最优的时延性能。
2017-09-08 cs.IT cs.NI math.IT
Mobility, Communication and Computation Aware Federated Learning for Internet of Vehicles
Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室）；Information Technology R&D Center, Mitsubishi Electric Corporation（三菱电机株式会社信息技术研发中心）；NC State University（北卡罗来纳州立大学）
虽然隐私问题吸引互联和自动驾驶汽车采用车载联邦学习（FL）解决方案，但迫切需要一个具有异构计算能力感知学习平台的集成车辆到一切的通信，以使其成为现实。出于这一动机，我们提出了一种新的移动性，通信和计算意识的在线FL平台，使用道路上的车辆作为学习代理。由于现代车辆的先进功能，车载传感器可以在车辆沿其轨迹行驶时收集数据，而车载处理器可以使用收集的数据训练机器学习模型。考虑到车辆的高流动性，我们认为延迟作为一个学习参数，并限制它小于一个可容忍的阈值。为了满足该阈值，中央服务器接受部分训练的模型，分布式路边单元（a）执行下行链路多播波束成形以最小化全局模型分发延迟，以及（b）分配最佳上行链路无线电资源以最小化局部模型卸载延迟，并且车辆代理进行异构局部模型训练。使用真实世界的车辆跟踪数据集，我们验证我们的FL解决方案。仿真结果表明，所提出的综合FL平台是强大的，优于基线模型。通过合理的局部训练集，它可以有效地满足所有约束，并提供接近地面真实的多水平速度和车辆特定功率的预测。
2022-05-17 cs.LG cs.NI eess.SP
LIMO: Load-balanced Offloading with MAPE and Particle Swarm Optimization in Mobile Fog Networks
本文提出 LIMO 策略，基于 MAPE 控制回路和 PSO 算法实现雾网络负载均衡与任务迁移，有效降低延迟，提升网络资源利用率 10%，减少云访问与响应时间。
2024-08-28 cs.DC cs.NI
Coordinated Container Migration and Base Station Handover in Mobile Edge Computing
将计算密集型任务从移动用户（MU）卸载到虚拟化环境（例如附近边缘服务器上的容器）可以显着减少处理时间，从而减少端到端（E2 E）延迟。然而，当用户是移动的时，这样的容器需要被迁移到位于更靠近MU的其他边缘服务器以保持E2 E延迟低。同时，MU的移动性需要基站之间的切换，以保持MU和基站之间的无线连接不中断。在本文中，我们提出了一个协调的迁移-切换机制，以实现低E2 E延迟和最小化服务中断的目标，解决容器迁移和基站切换的联合问题。该机制确定了最佳的目的地和迁移和切换的时间在一个协调的方式，以及我们提出的增量检查点技术。我们使用我们提出的协调迁移-切换机制实现了一个测试平台边缘计算系统，并使用Docker容器（行业标准）实现的实际应用程序评估了性能。实验结果表明，与其他机制相比，我们的机制可以减少30%-40%的服务停机时间和13%-22%的E2 E延迟。我们的工作有助于在移动边缘计算中提供流畅的用户体验。
2020-09-11 cs.NI
Future Trends and Challenges for Mobile and Convergent Networks
移动网络的实时性、位置性、社区性等特性以及数据流量的指数级增长，对学术界和标准化界提出了新的、智能的网络管理方式的挑战，否则现有的网络基础设施无法为突发的业务需求和应用需求提供可接受的连接服务。以这种方式，需要解决的一个非常相关的研究问题是，异构无线接入基础设施应如何被控制，以提供具有适当的质量水平的网络接入的各种流结束在移动场景中的多模式设备。本章回顾了最常用的无线接入技术和移动接入建议下开发的最新研究和标准化工作。它全面概述了在未来网络环境中部署这些技术的影响，不仅对网络性能的影响，而且对如何满足内容提供方、网络运营商和用户/终端等几个相关参与者的最重要要求的影响。最后，本章总结了未来网络环境中最值得注意的方面，如技术融合、服务融合、终端融合、市场融合、环境意识、节能、自组织和智能基础设施，以及通过该基础设施解决的最重要的功能性问题，如流移动性、数据卸载、负载均衡和垂直多宿主。
2016-01-22 cs.NI
Scalable Intelligence-Enabled Networking with Traffic Engineering in 5G Scenarios for Future Audio-Visual-Tactile Internet
为了提高未来的网络性能，本文提出了可扩展的智能网络（SIEN），消除了5G场景中视听触觉互联网的流量冗余，如增强的移动宽带，超可靠和低延迟通信，以及大量的机器类型通信。SIEN由智能管理平面（ImP）、智能使能平面（IeP）、控制平面和用户平面组成。对于ImP，决策执行的容器是由一种新的图算法来组织对象，如网络元素和资源分区。对于IeP，设计了一种新的学习系统，在存在不平衡、冲突和部分数据的情况下，使用一致性函数进行泛化和个性化决策。对于控制平面，借鉴信息中心组网和软件定义网络，设计了标识-位置映射方案。对于用户平面，注册、请求和数据被转发以实现SIEN并测试其性能。评估结果表明，SIEN优于四个国家的最先进的技术，冗余流量减少高达46.04%的基础上的混合假设，模拟和概念验证的实施视听触觉互联网多媒体服务。为了验证该方法的有效性，分别对流量卸载的最佳情况和最差情况进行了数据率、延迟和密度测试。评估仅关注可扩展性问题，而SIEN将有利于改善更多问题，如域间安全性，超低延迟，按需移动性，多宿主路由和跨层特征不一致性。
2019-10-16 cs.MM cs.NI
