Learning-based Resource Optimization in Ultra Reliable Low Latency HetNets
Rutgers University（罗格斯大学）
在本文中，用户卸载和资源优化的问题联合解决，以支持超可靠和低延迟通信（URLLC）的HetNet。特别地，考虑具有单个宏基站（MBS）和多个覆盖的小小区基站（SBS）的多层网络，其包括具有不同延迟和可靠性约束的用户。在概率保证的前提下，对用户的时延和可靠性约束进行建模，将URLLC环境下的用户卸载和资源分配（JUR）联合问题转化为MBS服务用户的成本最小化的优化问题.在所考虑的方案中，SBS以给定的价格竞标为其覆盖范围内的URLLC用户提供服务，MBS决定是否在本地为每个用户提供服务或将其卸载到覆盖的SBS之一。由于JUR优化是NP难的，我们提出了一个低复杂度的基于学习的探试法（LHM），其中包括一个支持向量机的用户关联模型和凸资源优化（CRO）算法。为了进一步减少延迟，我们提出了一个交替方向的乘法器（ADMM）为基础的解决方案的CRO问题。仿真结果表明，使用LHM，MBS显着降低了频谱接入延迟的用户（由$\sim$ 93\%）相比，JUR，同时也减少了它的带宽和功率成本，在服务用户（由$\sim$ 33\%）相比，直接服务用户没有卸载。
2019-05-12 cs.LG cs.NI eess.SP
Joint Rate and SINR Coverage Analysis for Decoupled Uplink-Downlink Biased Cell Associations in HetNets
通过主动将用户卸载到小的和轻负载的小区上的负载均衡对于挖掘密集异构蜂窝网络（HCN）的潜力是至关重要的。卸载主要针对下行链路进行研究，其中通常假设卸载到小小区的用户也将在上行链路上与其通信。耦合下行链路-上行链路卸载的影响还没有很好地理解。与下行链路相比，上行链路功率控制和空间干扰相关进一步使数学分析复杂化。我们提出了一个准确的和易于处理的模型来表征的关联规则和功率控制参数的函数在多层HCN的上行链路的SINR和速率分布。联合上行链路-下行链路速率覆盖也被表征。使用发达的分析，它表明，信道反转（上行链路功率控制）的最佳程度增加与网络中的负载不平衡。与下行链路形成鲜明对比的是，最小路径损耗关联被证明是最佳的上行链路速率。此外，最小路径损耗关联和全信道反转，上行链路SIR是不变的基础设施密度。它进一步表明，去耦关联-采用不同的关联策略的上行链路和下行链路-导致显着改善联合上行链路-下行链路速率覆盖的标准耦合关联HCN。
2015-03-24 cs.IT cs.NI math.IT
Performance Evaluation of Optimal Radio Access Technology Selection Algorithms for LTE-WiFi Network
异构网络（HetNet）包括多个无线电接入技术（RAT），其允许用户与特定RAT相关联并且以无缝方式转向到其它RAT。为了应对前所未有的数据流量增长，移动数据可以被卸载到基于长期演进（LTE）的HetNet中的无线保真（WiFi）。在本文中，一个最佳的RAT选择问题被认为是最大化的总系统吞吐量在LTE-WiFi系统中的卸载能力。另一个配方也开发了最大限度地提高系统的总吞吐量是受语音用户阻塞概率的约束。证明了语音/数据用户的关联和卸载的最优策略包含阈值结构。基于阈值结构，我们提出了LTE-WiFi HetNet中的用户关联和卸载算法。仿真结果表明，语音用户阻塞概率和总的系统吞吐量性能的算法相比，另一个基准算法。
2017-05-20 cs.IT cs.NI math.IT
HetNetwork Coding: Scaling Throughput in Heterogeneous Networks using Multiple Radio Interfaces
对数据的爆炸性需求要求解决方案的范围从具有新颖频谱共享的频谱敏捷认知无线电到使用更高频谱以及具有不同接入技术的更小和更密集的小区部署，称为异构网络（HetNet）。同时，电子和存储的进步已经导致配备有多个无线电接口（例如，WiFi、WiMAX、LTE等）的无线设备的出现。以及存储和有效处理大量数据的能力。受HetNet和多平台无线电的融合的启发，我们提出了HetNetwork Coding作为一种手段，利用可用的无线电接口与网络编码并行，以增加无线数据吞吐量。具体来说，我们探讨使用随机线性网络编码在网络层的数据包可以通过多个接口，并通过多宿主接收。使用模拟和实验与真实的硬件在WiFi和WiMAX平台上，我们研究了这样的HetNetwork编码的吞吐量的缩放。我们发现，从我们的模拟和实验中，使用这种方法增加了吞吐量，实现更大的增益的情况下，当系统负载很重或信道质量差。我们的研究结果还表明，实现的吞吐量增益与节点处的无线电接口的数量呈线性关系。
2014-11-11 cs.NI
Edge Cloud Offloading Algorithms: Issues, Methods, and Perspectives
支持“物联网”（IoT）的移动设备通常在计算、电池能量和存储空间方面具有有限的能力，特别是支持涉及虚拟现实（VR）、增强现实（AR）、多媒体交付和人工智能（AI）的资源密集型应用，这可能需要宽带宽、低响应延迟和大计算能力。边缘云或边缘计算是一种新兴的主题和技术，可以解决当前仅集中式云计算模型的不足，并将计算和存储资源移动到更靠近设备的位置，以支持上述应用。为了实现这一点，需要有效的协调机制和“卸载”算法，以允许移动设备和边缘云顺利地协同工作。在这篇调查论文中，我们调查了与卸载问题相关的关键问题、方法和各种最先进的努力。我们采用了一种新的特征化模型来研究从移动设备到边缘云的整个卸载过程。通过全面的讨论，我们的目标是对现有的努力和研究方向绘制一个整体的“大画面”。我们的研究还表明，边缘云中的卸载算法在未来的技术和应用开发中表现出了巨大的潜力。
2018-06-16 cs.NI
Energy Efficient Computation Offloading and Virtual Connection Control in Uplink Small Cell Networks
针对 HetNet 多层网络的非凸分层优化问题，提出融合深度学习、联合资源分配、能效与流/功率控制的算法，在保障 SLA 与吞吐量限制下显著提升能效。
2024-12-24 cs.NI
Optimal Resource Management for Hierarchical Federated Learning over HetNets with Wireless Energy Transfer
针对工业物联网异构网络中资源受限设备开展分层联邦学习的能效挑战，提出结合无线能量传输的启发式资源管理算法H2RMA，在训练损失和电网能源成本上实现更优性能。
2023-05-03 cs.NI eess.SP
A Survey on Offloading in Federated Cloud-Edge-Fog Systems with Traditional Optimization and Machine Learning
物联网（IoT）设备生成的大量数据需要云、边缘和雾计算范式提供的计算能力和存储容量。每种计算模式都有自己的优点和缺点。云计算提供了增强的数据存储和计算能力，但会导致高通信延迟。边缘计算和雾计算提供类似的服务，具有较低的延迟，但容量，能力和覆盖范围有限。单一的计算范式无法满足物联网设备的所有要求，需要在它们之间建立联盟来扩展它们的容量、能力和服务。这种联合对用户和提供商都有好处，也揭示了云、边缘和雾之间流量卸载的研究问题。传统上，优化用于解决流量卸载问题。然而，在这样一个复杂的联邦系统中，传统的优化无法跟上决策制定的严格延迟要求，从毫秒到亚秒。机器学习方法，特别是强化学习，因此变得流行，因为它们可以快速地解决具有大量未知信息的动态环境中的卸载问题。这项研究提供了云、边缘和雾之间的一种新的联邦分类，并为不同的联邦场景提供了一个全面的研究路线图。我们调查的各种优化方法来解决这个卸载问题的相关文献，并比较其显着特点。然后，我们提供了一个全面的调查卸载联邦系统与机器学习的方法和经验教训，作为这些调查的结果。最后，我们概述了未来的研究和挑战，必须面对的几个方向，以实现这样的联邦。
2022-02-22 cs.NI
Pricing-Driven Service Caching and Task Offloading in Mobile Edge Computing
通过提供移动边缘计算（MEC）服务，无线设备（WD）在本地运行其所需程序时不再需要经历长延迟，而是可以支付将计算任务卸载到边缘服务器的费用。考虑到其有限的存储空间，基站（BS）处的边缘服务器通过满足和指导WD的卸载决策来确定缓存哪些服务节目是重要的。在本文中，我们提出了一个MEC服务定价方案，以协调服务缓存的决定和控制WD的任务卸载行为。我们提出了一个两阶段的不完全信息的动态博弈模型和分析的BS和多个关联的WD之间的两阶段的相互作用。具体地，在阶段I中，BS确定MEC服务缓存并向WD宣布服务程序价格，目的是在存储和计算资源约束下最大化其预期利润。在阶段II中，给定不同服务程序的价格，每个WD自私地决定其卸载决策以最小化个体服务延迟和成本，而不知道其他WD的期望程序类型或本地执行延迟。尽管缺乏WD的信息和耦合的所有WD的卸载决策，我们得出的最佳阈值为基础的卸载政策，可以很容易地通过WD在第二阶段的贝叶斯均衡。然后，通过预测WD的卸载均衡，我们联合优化BS的定价和服务缓存在第一阶段通过一个低复杂度的算法。特别是，我们研究了统一和差异化的定价方案。对于差异化定价，我们证明了相同的价格应该收取相同的工作量的缓存程序。
2020-11-04 cs.NI
An Optimal-Transport-Based Reinforcement Learning Approach for Computation Offloading
针对计算卸载中云边协作及能耗、任务依赖问题，构建协作计算卸载模型并制定多目标优化问题，融合最优传输与基于策略的强化学习提出方法，有效降低延迟和能耗总成本，优于现有优化方案。
2026-07-21 cs.NI
Engineering Edge-Cloud Offloading of Big Data for Channel Modelling in THz-range Communications
毫米波和太赫兹范围无线通信（产生Gb/Tb范围的数据）中的信道估计对于配置与传输信号质量相关的系统参数至关重要，但它仍然是软件和硬件中的一个艰巨挑战。当前的信道估计方法，无论是基于建模还是基于数据（机器学习（ML）），都使用和创建大数据。这又需要大量的计算资源、读取操作来证明是否存在一些预定义的通道配置，例如，QoS要求，以及将QoS参数的新组合存储在数据库中的写入操作。特别是基于ML的方法需要高计算和存储资源、低延迟和更高的硬件灵活性。在本文中，我们设计并研究了将上述操作卸载到边缘和云计算系统，以了解边缘和云计算的适用性，从而在THz信道建模的示例中提供具有信道和链路配置参数的快速响应。我们评估了当计算和存储资源基于以下方式编排时工程系统的性能：1）单片架构，2）微服务架构，两者都是基于边缘云的方法。对于微服务方法，我们设计了Docker Swarm和Kubernetes系统。测量结果显示，边缘计算和微服务具有很大的前景，可以快速响应，以正确配置参数，并通过超高速无线通信提高传输距离和信号质量。
2021-11-16 cs.NI
Transmission Delay Minimization via Joint Power Control and Caching in Wireless HetNets
无线异构网络（HetNet）中的基本挑战是在存在增加的部署密度和回程容量约束的情况下有效地利用有限的传输和存储资源。为了缓解瓶颈和减少资源消耗，我们设计了多跳无线HetNet的最佳缓存和功率控制算法。我们制定了一个联合优化框架，以最大限度地减少平均传输延迟的缓存变量的函数和信号干扰噪声比（SINR），这是由传输功率确定的，同时明确占回程连接成本和功率约束。使用凸松弛和舍入，我们得到了一个降低复杂性的制定（RCF）的联合优化问题，它可以提供一个常数因子近似的全局最优解。然后，我们以两种方式解决RCF：1）通过利用双凸性交替优化功率和缓存变量，以及2）功率控制和缓存的联合优化。我们刻画了RCF最优解的必要（KKT）条件，并利用严格拟凸性证明了RCF的KKT点是Pareto最优的。然后，我们设计了一个次梯度投影算法，共同更新的缓存和电源变量，并表明，在适当的条件下，该算法以线性速度收敛到局部极小的RCF，在一般的SINR条件下。我们支持我们的分析结果与广泛的数值实验的结果。
2021-05-29 cs.IT cs.NI math.IT
Performance Analysis of Small Cells' Deployment under Imperfect Traffic Hotspot Localization
异构网络（HetNet）长期以来一直被运营商考虑用于宏小区网络改进的路线图，仍然继续吸引人们对5G网络部署的兴趣。了解在存在业务热点的情况下小小区部署的效率可以进一步吸引运营商对该特征的注意。在这种情况下，我们评估不完美的小小区定位对网络性能的影响。我们表明，后者主要是由蜂窝内的热点的位置的影响：在热点的情况下，在宏小区附近，即使是一个完美的定位的小小区将不会产生改善的性能，由于来自宏小区的干扰。在热点位于离宏小区足够远的情况下，即使小小区定位中的大误差在从拥塞的宏小区卸载业务方面仍然是有益的。
2016-08-03 cs.NI
Delay-aware and Energy-Efficient Computation Offloading in Mobile Edge Computing Using Deep Reinforcement Learning
物联网（IoT）被认为是各种有前景的应用的使能平台，例如智能交通和智能城市，其中大量设备互连以进行数据汇集和处理。这些物联网应用对存储和计算能力提出了很高的要求，而物联网设备通常是资源受限的。作为一种潜在的解决方案，移动边缘计算（MEC）在物联网设备附近部署云资源，以便在本地更好地满足其请求。在这项工作中，我们研究了具有多个边缘服务器的动态MEC系统中的计算卸载，其中具有各种要求的计算任务由IoT设备动态生成并在时变操作环境中卸载到MEC服务器（例如，信道条件随时间改变）。这项工作的目标是最大限度地在各自的截止日期前完成任务，并尽量减少能源消耗。为此，我们提出了一种端到端的深度强化学习（DRL）方法来选择最佳的边缘服务器进行卸载，并分配最佳的计算资源，以使预期的长期效用最大化。仿真结果表明，该方法优于现有的方法。
2021-03-13 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
An Optimized Multi-Layer Resource Management in Mobile Edge Computing Networks: A Joint Computation Offloading and Caching Solution
如今，数据缓存正被用作移动边缘计算网络中的高速数据存储层，其以指数速率采用流控制方法。这项研究表明，如何发现最佳的回程网络的缓存能力，使用分布式卸载技术的架构。本文使用连续功率流分析来实现最佳负载约束，其中具有各种缓存容量的宏基站的功率由智能电网网络或可再生能源系统提供。这项工作提出了在小区边缘的用户之间的无处不在的连接性，并卸载宏小区，以便提供宏小区本身无法应对的特征，例如所需的用户数据速率和能量效率的极端变化。然后将卸载框架改造为神经加权框架，该框架考虑了Karush Kuhn Tucker优化限制下移动边缘计算的收敛性和Lyapunov不稳定性要求，以获得精确的解。在边界和中心点的细胞层的性能进行了分析。分析和仿真结果表明，该方法优于其他节能技术。此外，在文献中研究的其他解决方案相比，所提出的方法表明，两个小区边缘用户的吞吐量和每个集群的总吞吐量增加了两到三倍。
2022-11-11 cs.NI
Network-Coded Macrocell Offloading in Femtocaching-Assisted Cellular Networks
毫微微缓存的想法被提出作为一种解决方案，以补偿弱回程容量，通过部署具有高存储容量的覆盖有限的节点称为毫微微缓存（FC）。本文研究了基于毫微微缓存的蜂窝网络中的宏小区卸载问题。目标是最小化宏小区基站（MBS）的传输数量，假定所有请求应该同时被服务以满足客户端的体验质量（QoE）。我们首先制定这个MBS卸载问题作为一个网络编码图的优化问题，并表明它是NP-难的。因此，我们提出了一个ONC广播卸载方案，利用广播和机会网络编码（ONC），以尽量减少所需的MBS传输的数量。我们利用一个随机图模型来近似所提出的ONC广播方案的性能，在所得到的平均传输次数的MBS。此外，尽管为每种情况找到最优解的复杂性，我们证明了这种ONC广播方案是渐近最优的，即，对于大量的请求，ONC广播方案实现了与最优解决方案相似的宏小区卸载性能。为了实现ONC广播方案，我们设计了一种启发式方法，采用双冲突图或在FC广播，使得剩余的请求可以使用最小数量的MBS传输。仿真结果表明，与传统的分离图方案相比，双图方案提高了MBS卸载。此外，简单的启发式提出实现ONC广播方案实现了非常接近的性能的最佳ONC广播方案。
2016-06-18 cs.NI
Threat Aware Task Offloading and Caching for Secure UAV Assisted Vehicular Consumer Electronics
Xidian University（西安电子科技大学）；Marwadi University（马尔瓦迪大学）；University of Hong Kong（香港大学）
针对车载消费电子VEC系统的安全与性能挑战，提出无人机辅助的协作VEC架构，设计TAGO框架实现威胁感知任务卸载与时空缓存优化，仿真验证其可降低任务延迟、提升缓存效率。
2026-08-19 cs.NI
A New Alternative for Traffic Hotspot Localization in Wireless Networks Using O&M Metrics
近年来，由于热点卸载解决方案的问题、具有小小区部署的异构网络（HetNet）的出现以及绿色网络，对流量定位技术的认识不断提高。以高精度定位业务热点确实非常感兴趣的是，了解如何卸载拥塞区域、小型小区应部署在何处以及如何管理它们以用于睡眠方式概念。我们提出，在本文中，一个新的热点定位技术的基础上直接开发的五个关键性能指标（KPI）提取的操作和维护（O&M）数据库的网络。这些KPI是定时提前（TA）、到达角（AoA）、相邻小区级别、加载时间和两个平均吞吐量：算术（AMT）和谐波（HMT）。这些KPI的组合使用，投影在覆盖地图上，产生了有前途的定位精度，并可以通过利用潜在热点的商业数据进一步优化。与广泛使用的探测方法相比，该解决方案可以以相当低的成本在网络中实现。
2015-03-30 cs.NI
Combinatorial Client-Master Multiagent Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing
针对移动边缘计算中任务卸载的资源约束问题，提出组合式客户端-主服务器多智能体深度强化学习算法CCM_MADRL_MEC，首次同时考虑用户设备与服务器存储约束，通过组合动作选择实现更优收敛。
2024-11-06 cs.AI cs.DC cs.NI
Efficient Multi-user Offloading of Personalized Diffusion Models: A DRL-Convex Hybrid Solution
针对个性化扩散模型在本地设备部署困难的问题，提出一种基于DRL与凸优化混合的多用户卸载框架，通过优化推理分割点与卸载决策，在边缘服务器资源受限下实现低延迟与高准确性的平衡。
2025-03-02 cs.NI
Process migration-based computational offloading framework for IoT-supported mobile edge/cloud computing
移动设备已成为物联网（IoT）不可或缺的组成部分。然而，这些设备在处理能力、电池功率和存储空间方面具有资源约束，从而阻碍了通常需要宽带宽、严格的响应时间、长电池寿命和重计算能力的计算密集型应用的执行。移动云计算和移动边缘计算（MEC）是可以使用卸载算法来满足上述要求的新兴技术。本文分析了边缘网络中依赖于平台的原生应用程序对计算卸载的影响，提出了一个轻量级的基于进程迁移的计算卸载框架。所提出的框架不需要边缘服务器上的应用程序二进制文件，因此可以无缝迁移本地应用程序。建议的框架进行评估，使用实验测试平台。数值结果表明，该框架节省了近44%的执行时间和84%的能源消耗。因此，所提出的框架显示了MEC中资源密集型物联网应用程序处理的巨大潜力。
2019-09-24 cs.DC cs.NI
Compact LLM Deployment and World Model Assisted Offloading in Mobile Edge Computing
Nanyang Technological University（南洋理工大学）；Guangdong University of Technology（广东工业大学）；Queen’s University Belfast（贝尔法斯特女王大学）；Auburn University（奥本大学）
本文研究了移动边缘计算网络中紧凑型大语言模型（LLM）部署和世界模型辅助的推断卸载问题，提出了一种边缘紧凑型LLM部署（ECLD）框架，结合结构化剪枝、低比特量化和知识蒸馏来构建可部署于边缘的LLM变种，并通过四个互补指标评估这些模型。基于这些紧凑模型，提出了一个MEC卸载优化问题，旨在最小化长期平均推断延迟，同时满足设备能耗预算和LLM特定的服务质量约束。为了解决未知且时间变化的网络动态问题，开发了一种世界模型-近端策略优化（PPO）算法，该算法在原策略优化算法中加入了学习的递归世界模型，以提供改进的价值目标和短时间想象回放。
2026-06-11 cs.NI
SPATO: A Student Project Allocation Based Task Offloading in IoT-Fog Systems
物联网（IoT）设备高度依赖云系统来满足其存储和计算需求。然而，由于云服务器的远程位置，物联网设备经常遭受间歇性广域网（WAN）延迟，这使得延迟关键型物联网应用程序的执行变得不可想象。为了克服这个问题，服务提供商（SP）通常在网络边缘部署多个雾节点（FN），这有助于执行从IoT设备卸载的计算，并改善用户体验。由于FN的资源有限，因此将物联网服务与FN相匹配，同时从最终用户的角度确保最小的延迟和能量，并从SP的角度最大化收入和满足最后期限的任务是具有挑战性的。因此，在本文中，我们提出了一个学生项目分配（SPA）为基础的有效的任务卸载策略SPATO，考虑到不同的利益相关者的关键参数。仿真结果表明，SPATO算法在保证99.3%的任务在截止期内完成的情况下，可使负载能量和延迟分别降低29%和40%，收益提高25%。
2021-05-22 cs.GT cs.NI
Mobile Edge Computation Offloading Using Game Theory and Reinforcement Learning
由于资源匮乏和延迟受限的移动应用程序越来越受欢迎，远程云的计算和存储功能已部分迁移到移动边缘，从而产生了移动边缘计算（MEC）的概念。虽然MEC服务器享有与终端用户的紧密接近以以减少的延迟和较低的能量成本提供服务，但是它们遭受计算和无线电资源的限制，这要求MEC服务器中的公平有效的资源管理。然而，由于下一代无线网络的超高密度、分布式性质和固有的随机性，该问题具有挑战性。在这篇文章中，我们专注于应用博弈论和强化学习的有效分布式资源管理MEC，特别是计算卸载。我们简要回顾了前沿研究，并讨论了未来的挑战。此外，我们开发了一个节能的分布式边缘服务器激活的博弈论模型，并研究了几种学习技术。数值结果来说明这些分布式学习技术的性能。此外，在MEC服务器的资源管理的背景下，开放的研究问题进行了讨论。
2017-11-20 cs.GT cs.NI
DRAG: Deep Reinforcement Learning Based Base Station Activation in Heterogeneous Networks
异构网络（HetNet）被认为是满足前所未有的移动业务需求的关键解决方案，其中密集地部署小小区基站（SBS）以从宏基站（BS）卸载业务。高密度的SBS是为高峰交通时间设计的，并且在非高峰时间消耗不必要的大量能源。在本文中，我们提出了一种基于深度学习的SBS激活策略，激活SBS的最佳子集，以显着降低能耗，而不影响服务质量。特别是，我们将SBS开/关切换问题制定为马尔可夫决策过程，可以通过演员评论（AC）强化学习方法来解决。为了避免传统的基于表格的方法的过高的计算和存储成本，我们建议使用深度神经网络来近似AC方法中的策略和价值函数。此外，为了加快训练过程，我们采用了深度确定性策略梯度（DDPG）方法以及一种新的动作细化方案。通过大量的数值模拟，我们表明，该计划大大优于现有的方法在能源效率和计算效率。我们还表明，该计划可以扩展到大型系统的多项式复杂性的存储和计算。
2018-09-06 cs.NI
Big Data Caching for Networking: Moving from Cloud to Edge
为了应对$5G$无线网络中无情的数据海啸，当前的方法（例如获取新频谱、部署更多基站（BS）和增加移动分组核心网络中的节点）在可扩展性、成本和灵活性方面变得无效。在这方面，具有边缘/云计算和利用\emph{big data}分析的上下文感知$5$ G网络可以为移动运营商带来显著收益。在这篇文章中，主动内容缓存在$5$ G无线网络进行了研究，其中提出了一个大数据使能架构。在该实用架构中，利用大量数据进行内容流行度估计，并且在BS处缓存战略内容以实现更高的用户满意度和回程卸载。为了验证所提出的解决方案，我们考虑了一个真实的案例研究，其中从土耳其的一家主要电信运营商收集了几个小时的移动数据流量，并利用机器学习工具进行了大数据分析。基于可用信息和存储容量，数值研究表明，在用户满意度和回程卸载方面都实现了几个增益。例如，在具有内容评级的$30\%$和存储大小的$13$ G字节（总库大小的$78\%$）的$16$ BS的情况下，主动式高速缓存产生用户满意度的$100\%$并卸载回程的$98\%$。
2016-06-05 cs.NI
FlexiNS: A SmartNIC-Centric, Line-Rate and Flexible Network Stack
针对CPU网络栈开销大、硬件卸载灵活性差的问题，提出以SmartNIC为中心的FlexiNS网络栈，通过软硬件协同实现线速处理，吞吐量分别达微内核基线的2.2倍和硬件卸载基线的1.3倍。
2025-04-25 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
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
Energy-cost aware off-grid base stations with IoT devices for developing a green heterogeneous network
异构网络（HetNet）是一种特定的蜂窝平台，用于应对快速增长的预期数据流量。从通信的角度来看，数据负载可以被映射到通常放置在运营商网络上的能量负载。同时，可再生能源辅助网络提供减少化石燃料消耗，从而减少环境污染。本文提出了一种基于可再生能源的离网HetNet供电架构，使用一种新的能量共享模型。每个宏、微、微微或毫微微基站（BS）都使用太阳能光伏（PV）以及足够的储能设备。此外，生物质发生器（BG）用于宏和微BS。并置的宏BS和微BS通过端到端电阻线连接。针对非实时的应用，通过权衡功耗和通信时延，提出了一种新的带休眠机制的加权比例公平资源调度算法。此外，针对窄带物联网（IoT）应用的具有扩展的非连续接收（eDRX）和省电模式（PSM）的所提出的算法延长了IoT设备的电池寿命。HOMER优化软件用于执行最佳系统架构、经济性和碳足迹分析，而Monte-Carlo模拟工具用于评估吞吐量和能效性能。该算法对农村实际数据是有效的。我们证明了所提出的电源架构是节能的，具有成本效益，可靠，环保。
2021-10-12 cs.NI eess.SP
How SVC enables Distributed Caching in MEC?
随着对互联网视频服务交付的需求不断增长，服务提供商正面临着以亚秒级延迟交付超高清（2k/4k）视频的巨大挑战。多访问边缘计算（MEC）平台实际上通过在蜂窝网络边缘缓存流行内容来帮助实现这一目标。这不仅减少了传送延迟，而且减少了回程链路的负载和成本。然而，MEC平台在存储和处理能力方面受到资源约束的困扰;并且内容的集中式高速缓存可能通过降低卸载概率而使延迟减少的优点无效。在边缘的分布式缓存不仅提高了卸载概率，但也动态调整MEC服务器之间的负载分配。在这篇文章中，我们提出了一个架构部署MEC平台，利用可伸缩视频编码技术的特点。分层视频编码技术（例如可扩展视频编码（SVC））被内容提供方用来通过动态丢弃数据包以减少延迟来调整网络动态。我们展示了SVC视频如何轻松地在边缘进行分布式缓存。然后，我们调查的延迟存储权衡存储视频层在接入网络的不同部分。
2022-04-06 cs.NI cs.PF
QoS-SLA-Aware Adaptive Genetic Algorithm for Multi-Request Offloading in Integrated Edge-Cloud Computing in Internet of Vehicles
United Arab Emirates University（阿联酋大学）
车载自组织网络车联网是一项新兴技术，可实现智能城市应用的开发，重点是改善交通安全、交通效率和整体驾驶体验。这些应用程序有严格的要求，详见服务水平协议。由于车辆具有有限的计算和存储能力，因此应用请求被卸载到集成的边缘云计算系统上。现有的卸载解决方案集中于在执行时间方面优化应用的服务质量（QoS），并且遵守单个SLA约束。他们没有考虑重叠多请求处理的影响，也没有考虑车辆速度变化的影响。提出了一种新的人工智能QoS-SLA-aware自适应遗传算法（QoS-SLA-AGA）来优化异构边缘云计算系统中多请求卸载的应用程序执行时间，该算法考虑了处理多请求重叠和动态车辆速度的影响。建议的遗传算法集成了一个自适应的惩罚函数来同化SLA的延迟，处理时间，截止日期，CPU和内存的要求的约束。数值实验和分析比较我们的QoS-SLA-AGA随机卸载，和基线基于遗传的方法。结果表明，QoS-SLA-AGA执行请求的速度平均比随机卸载方法快1.22倍，SLA违规减少59.9%。相比之下，基于基因的基线方法将请求的性能提高了1.14倍，SLA违规增加了19.8%。
2022-03-01 cs.AI cs.DC cs.NA
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
Reinforcing Edge Computing with Multipath TCP Enabled Mobile Device Clouds
近年来，在移动设备的计算和存储能力方面已经见证了巨大的增长。然而，这种计算和存储能力中的大部分并不总是被充分利用。另一方面，旨在用多个边缘服务器取代传统的集中式强大云的移动边缘计算的普及正在迅速增长。特别是，由于减少了往返延迟，具有严格延迟要求的应用程序可以通过移动边缘云得到最佳服务。在本文中，我们提出了多路径TCP（MPTCP）启用移动终端云（MDC）作为现有的基于TCP或D2D设备云技术的替代品，因为它有效地利用了可用带宽，提供更高的吞吐量，以及确保强大的无线连接。我们调查的拥塞在移动设备云的形成，主要是由于在发现，服务的连续性和云组成的形成时，为服务提供节点的消息传递。我们提出了一个用户空间代理称为拥塞处理程序，使卸载的数据包从一个子流到其他链路质量的约束。此外，我们讨论了这种设计的好处，并进行初步的系统分析。
2019-10-30 cs.NI
Applications of Economic and Pricing Models for Resource Management in 5G Wireless Networks: A Survey
本文对经济和定价理论在不断发展的第五代（5G）无线网络中的资源管理应用进行了全面的文献综述。5G无线网络被设想为克服蜂窝网络在数据率、容量、延迟、能量效率、频谱效率、覆盖范围、可靠性和每次信息传输的成本方面的现有限制。为了实现这些目标，5G系统将采用新兴技术，如大规模多输入多输出（MIMO）、毫米波通信和密集异构网络（HetNet）。然而，5G涉及可能具有不同目标的多个实体和利益相关者，例如，高数据率、低等待时间、效用最大化和收入/利润最大化。这对5G的资源管理设计提出了许多挑战。虽然传统的解决方案可能既不有效也不适用，但最近开发并采用了经济和定价模型作为实现目标的有用工具。在本文中，我们回顾了为解决5G无线网络中的资源管理问题而提出的经济和定价方法，包括用户关联、频谱分配以及干扰和功率管理。此外，我们提出了无线缓存和移动数据卸载的经济和定价模型的应用。最后，我们强调了将经济和定价模型应用于5G无线网络的重要挑战，开放问题和未来研究方向。
2017-10-13 cs.GT cs.NI
When Deep Reinforcement Learning Meets Federated Learning: Intelligent Multi-Timescale Resource Management for Multi-access Edge Computing in 5G Ultra Dense Network
Sun Yat-sen University（中山大学）；Auburn University（奥本大学）
超密集边缘计算（UDEC）具有巨大的潜力，特别是在5G时代，但其当前的解决方案仍然面临挑战，例如缺乏：i）多个5G资源的有效利用（例如，计算、通信、存储和服务资源）; ii）低开销卸载决策和资源分配策略;以及iii）隐私和安全保护方案。因此，我们首先提出了一个智能超密集边缘计算（I-UDEC）框架，它将区块链和人工智能（AI）集成到5G超密集边缘计算网络中。首先，我们展示了框架的架构。然后，为了实现实时和低开销的计算卸载决策和资源分配策略，我们设计了一种新的双时标深度强化学习（\textit{2Ts-DRL}）方法，分别由一个快速时标和一个慢速时标的学习过程。主要目标是通过联合优化计算卸载、资源分配和服务缓存放置来最小化总卸载延迟和网络资源使用。我们还利用联邦学习（FL）以分布式方式训练\textit{2Ts-DRL}模型，旨在保护边缘设备的数据隐私。仿真结果证实了I-UDEC框架中的\textit{2Ts-DRL}和FL的有效性，并证明我们提出的算法可以减少任务执行时间高达31.87%。
2020-09-22 cs.AI cs.DC cs.NI
Energy Efficient Virtual Machine Services Placement in Cloud-Fog Architecture
数据量和处理请求的激增需要一种新的按需计算。雾计算通过将处理和存储资源扩展到网络边缘来解决云计算的局限性。云计算和雾计算采用虚拟机（VM）来实现高效的资源利用。为了优化虚拟环境，可以在地理分布的物理机器上迁移或复制VM，以实现负载均衡和能效。在这项工作中，我们调查卸载的VM服务从云到雾考虑英国电信（BT）的网络拓扑结构。该分析解决了不同因素的影响，包括虚拟机工作负载和雾节点与用户的接近程度，考虑到最先进的应用程序的数据率。结果表明，虚拟机的最佳位置显着降低了高达75%的总功耗相比，一个单一的云放置。
2019-04-23 cs.NI
Hazel: Secure and Efficient Disaggregated Storage
ETH Zurich（苏黎世联邦理工学院）；NVIDIA（英伟达）；University of Southampton（南安普顿大学）
Hazel是一种基于NVMe-oF协议和保密计算模型的解耦存储系统，通过引入计数器租赁和Hazel默克树等创新技术，实现高效安全的数据管理，实验表明其在多个基准测试中性能损耗低于2%。
2026-02-10 cs.AR cs.CR cs.DC
5G Multi-access Edge Computing: a Survey on Security, Dependability, and Performance
本文综述了5G多接入边缘计算在安全性、可靠性和性能三个维度的研究现状、分类与挑战，并指出联合解决三者的难点。
2023-07-04 cs.NI
Blockchain as a Service for Multi-Access Edge Computing: A Deep Reinforcement Learning Approach
最近，区块链由于其去中心化、不变性、透明性和安全性在学术界获得了发展势头。多址边缘计算（MEC）作为一种新兴的计算模式，被广泛用于为网络边缘的移动用户设备（UE）提供计算和存储资源，以提高移动应用的性能。在本文中，我们提出了一种新的基于区块链的MEC架构，其中UE可以将其计算任务卸载到MEC服务器。特别是，区块链网络作为区块链即服务（BaaS）部署和托管在MEC平台上，该平台支持基于智能合约的资源交易和交易挖掘服务，用于移动任务卸载。为了提高区块链授权的MEC系统的性能，我们提出了一个计算卸载和区块链挖掘的联合方案。因此，制定优化问题以最大化边缘服务收入和区块链挖掘奖励，同时最小化关于用户服务需求和散列功率资源的约束的服务计算延迟。然后，我们提出了一种新的深度强化学习（DRL）方法，使用双深度Q网络（DQN）算法来解决所提出的问题。数值结果表明，该方案优于其他基线方法在更好的系统效用与计算效率。实验结果也验证了交易契约设计的有效性和低运营成本，表明了该方案的可行性。
2019-12-15 cs.NI eess.SP
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
A Transfer Learning Approach for Cache-Enabled Wireless Networks
在网络边缘本地缓存内容构成了$5$ G无线网络中最具破坏性的方法之一。边缘缓存的好处取决于解决无数的挑战，例如如何，什么以及何时策略性地缓存受存储约束，流量负载，未知时空流量需求和数据稀疏性影响的内容。受此启发，我们提出了一种新颖的基于迁移学习的缓存过程，在每个小小区基站处执行。这是通过利用丰富的上下文信息（即，用户的内容观看历史、社会关系等）从设备到设备（D2D）交互中提取，称为源域。该先验信息被合并在所谓的目标域中，其中目标是根据存储、估计的内容流行度、业务负载和回程容量在小小区处最优地高速缓存战略内容。结果表明，所提出的方法克服了臭名昭著的数据稀疏性和冷启动问题，在用户的体验质量（QoE）和回程卸载方面产生显着的增益，在由四个小小区基站组成的设置中，增益高达$22\%$。
2015-09-29 cs.IT cs.NI math.IT
Big Data Meets Telcos: A Proactive Caching Perspective
移动蜂窝网络的管理正变得越来越复杂，而经典的部署/优化技术和当前的解决方案（即，细胞致密化，获得更多的频谱等）成本效益低，因此被视为权宜之计。这需要开发新的方法，这些方法利用存储/内存、上下文感知、边缘/云计算的最新进展，并落入大数据的框架中。然而，大数据本身是另一个需要处理的复杂现象，并伴随着臭名昭著的4V：速度，贪婪，数量和多样性。在这项工作中，我们通过基站主动缓存的概念来解决5G无线网络优化中的这些问题。特别是，我们调查的收益主动缓存的回程卸载和请求满意度，同时处理大量的可用数据的内容流行度估计。为了估计内容受欢迎程度，我们首先从土耳其电信运营商的几个基站收集用户的移动流量数据，以小时为间隔。然后，在本地大数据平台上进行分析，并通过数值模拟研究基站主动缓存的收益。事实证明，根据可用信息的级别和存储大小，可能会有几个收益。例如，在10%的内容评级和15.4 GB的存储大小（总目录大小的87%）的情况下，主动缓存实现了100%的请求满足率，并在考虑16个基站时卸载了98%的回程。
2016-02-19 cs.IT cs.NI math.IT
Active STAR-RIS Empowered Edge System for Enhanced Energy Efficiency and Task Management
针对多接入边缘计算中非视距通信和能耗挑战，提出主动STAR-RIS辅助MEC系统，联合优化任务卸载与资源分配以最小化能耗，性能显著优于传统方案。
2024-08-23 cs.NI eess.SP
Label-less Learning for Traffic Control in an Edge Network
Huazhong University of Science and Technology（华中科技大学）；Dalian University of Technology（大连理工大学）；Wuhan University（武汉大学）
随着智能应用的发展（例如，自动驾驶、实时情感识别等），对云智能有更高的要求。然而，云智能依赖于用户设备（UE）收集的多模态数据。由于网络带宽的有限容量，将从UE生成的所有数据卸载到远程云是不切实际的。因此，在本文中，我们考虑了在减少网络流量的同时实现一定级别的云智能的挑战性问题。为了解决这个问题，我们设计了一种基于边缘云的无标签学习的流量控制算法，称为LLTC。通过使用边缘云有限的计算和存储资源，LLTC评估数据的价值，这些数据将被卸载。具体来说，我们首先给出了一个陈述的问题和系统架构。然后，我们详细设计了LLTC算法。最后，搭建了系统测试平台。实验结果表明，该算法在保证云智能的同时，最大限度地减少了数据传输量。
2018-08-29 cs.AI cs.NI
UAV/HAP-Assisted Vehicular Edge Computing in 6G: Where and What to Offload?
针对6G动态车载环境中地面车辆资源有限的问题，研究通过非地面网络（NTNs）将任务卸载到无人机（UAVs）和高空平台（HAPs）的方案，建模优化卸载因子，结果表明高容量平台下空中辅助VEC在密集网络中可行。
2022-02-22 cs.NI eess.SP
Fundamentals of Heterogeneous Cellular Networks with Energy Harvesting
我们开发了一种新的易处理的模型，用于K层异构蜂窝网络（HetNets），其中每个基站（BS）仅由一个自包含的能量收集模块供电。跨层的BS在能量收集率、能量存储容量、发射功率和部署密度方面不同。由于BS可能并不总是具有足够的能量，因此它可能需要保持关闭并允许其再充电，而附近的用户由开启的相邻BS服务。我们表明，第k层BS可以保持开启的时间的分数，称为可用性ρ_k，是感兴趣的基本度量。利用随机游动理论、不动点分析和随机几何等工具，刻画了K元组（ρ_1，ρ_2，.ρ_K），称为可用性区域，其可通过一般的非协调操作策略来实现，其中切换BS的当前ON/OFF状态的决定独立于其它BS而做出。如果对应于最优系统性能的可用性向量，例如，就速率而言，位于该可用性区域中，不存在由于不可靠能源的存在而导致的性能损失。作为分析的一部分，我们将每个BS的能量水平的时间动态建模为生灭过程，推导出能量利用率，并利用击中/停止时间分析证明了ρ_k存在一个基本极限，任何不协调策略都不能超过该极限。
2013-07-05 cs.IT cs.NI math.IT
Resource Scheduling in Edge Computing: A Survey
随着物联网（IoT）的普及和无线网络的广泛渗透，对数据通信和计算的需求激增，需要新兴的边缘计算模式。通过将位于云中的服务和功能移动到用户附近，边缘计算可以提供强大的通信，存储，网络和通信能力。边缘计算中的资源调度是边缘计算系统成功的关键，引起了越来越多的研究兴趣。本文通过对国内外相关研究成果的综述，了解该领域的研究进展。具体来说，我们提出了边缘计算的体系结构，在此基础上讨论了不同的协作方式的资源调度。特别是，我们介绍了一个统一的模型，然后总结了目前的工作，资源调度的三个研究问题，包括计算卸载，资源分配，资源供应。基于两种操作模式，即，集中式和分布式两种模式，讨论和比较了不同的资源调度技术。此外，我们总结了主要的性能指标的基础上调查的文献。为了阐明资源调度在现实场景中的重要性，我们讨论了边缘计算中资源调度研究所涉及的几个典型应用场景。最后，我们强调了一些开放的研究挑战尚未解决，并概述了几个开放的问题，作为未来的研究方向。
2021-08-18 cs.NI eess.SP
Beyond the Edge: An Advanced Exploration of Reinforcement Learning for Mobile Edge Computing, its Applications, and Future Research Trajectories
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Imperial College London（帝国理工学院）；Beijing University of Science and Technology（北京科技大学）；Northwestern University（西北大学）
本文综述了强化学习在移动边缘计算中的应用，涵盖卸载、缓存和通信策略，并探讨了安全性和隐私等开放问题及缓解技术。
2024-04-22 cs.AI cs.NI
