Energy-Efficient Resource Allocation for Mobile Edge Computing-Based Augmented Reality Applications
移动边缘计算是在移动设备上启用增强现实（AR）应用的供应解决方案。AR移动应用在上行链路的数据汇集、边缘计算和下行链路的数据传输方面具有固有的协作属性。在这封信中，利用这些功能，提出了一种新的资源分配方法，在通信和计算资源。通过连续凸近似（SCA）实现的方法，被认为是产生相当大的收益相比，传统的独立卸载用户的移动能耗。
2017-03-25 cs.NI
Hybrid Reinforcement Learning-based Sustainable Multi-User Computation Offloading for Mobile Edge-Quantum Computing
本文提出移动边缘量子计算（MEQC）范式，并设计混合离散-连续多智能体强化学习算法求解经典-量子混合计算卸载问题，实现时延与能耗成本降低多达30%。
2025-04-10 cs.NI
Decentralized Computation Offloading Game For Mobile Cloud Computing
移动云计算被认为是一种很有前途的方法，可以增强移动设备的计算能力，用于新兴的资源匮乏的移动应用。在本文中，我们提出了一个博弈论的方法来实现有效的计算卸载移动云计算。我们将移动终端用户之间的分散计算卸载决策问题表示为一个分散计算卸载博弈。我们分析了博弈的结构性质，证明了博弈总是存在一个纳什均衡。然后，我们设计了一个分散的计算卸载机制，可以实现一个纳什均衡的游戏，并量化其效率比集中的最优解。数值结果表明，该机制可以实现有效的计算卸载性能和规模以及系统规模的增加。
2015-03-26 cs.NI
Immersion on the Edge: A Cooperative Framework for Mobile Immersive Computing
诸如虚拟现实和增强现实之类的沉浸式计算（IC）技术正在获得极大的普及。在这张海报中，我们提出了CoIC，一个移动沉浸式计算的合作框架。CoIC的设计基于一个关键的见解，即不同应用或用户之间的IC任务可能相似或冗余。CoIC通过在边缘缓存和共享计算密集型IC结果来增强移动IC应用的性能。我们对AR应用程序的初步评估结果表明，CoIC可以在当前移动设备上分别将识别和渲染延迟降低高达52.28%和75.86%。
2018-07-12 cs.NI
A Mobile Agent-Based Hierarchical Reinforcement Learning Framework for Energy-Balanced Data Collection and Wireless Charging in WSN
Imam Khomeini International University（伊玛目霍梅尼国际大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
针对WSN能量不均衡问题，提出统一移动智能体框架，以分层强化学习顺序执行数据采集与无线充电，实现自适应调度，延长网络寿命15%并均衡能量分布。
2026-10-02 cs.NI
A View of Fog Computing from Networking Perspective
随着智能设备，特别是智能手机，成为我们的日常伴侣，无处不在的移动互联网和计算应用渗透到人们的日常生活。随着人们对随时随地提供高质量移动服务需求的不断增长，如何满足无处不在的用户需求，适应移动业务的爆炸式增长，是下一代移动网络的关键问题。雾计算是实现这一目标的一个有前途的解决方案。雾计算是对云计算的一种扩展，它通过向移动网络边缘提供虚拟化资源和基于位置的服务，从而更好地服务于移动业务。因此，雾计算是云计算与移动应用结合的润滑剂。在本文中，我们概述了雾计算的主要功能，并描述了其概念，架构和设计目标。最后，我们从网络的角度讨论了一些未来的研究问题。
2016-03-08 cs.NI
Learning-based Sustainable Multi-User Computation Offloading for Mobile Edge-Quantum Computing
在本文中，提出了一种新的移动边缘量子计算（MEQC）范式，它将量子计算能力带到更接近移动用户的移动边缘网络（即，边缘设备）。首先，我们提出了一个MEQC系统模型，移动用户可以通过具有低温组件和容错方案的边缘服务器将计算任务卸载到可扩展的量子计算机。其次，我们证明了在经典和量子计算的最佳延迟和能量成本方面，在MEQC中获得部分卸载问题的集中式解决方案是NP难的。第三，我们提出了一种多智能体混合离散-连续深度强化学习，使用近端策略优化来学习长期可持续的卸载策略，而无需先验知识。实验结果表明，在不同的系统设置下，与现有的基线方案相比，该算法可以降低至少30%的成本。
2022-11-12 cs.NI
A Survey on Mobile Edge Networks: Convergence of Computing, Caching and Communications
随着智能设备的爆炸式增长和许多新应用的出现，流量也在呈指数级增长。传统的集中式网络架构由于回程链路负载过重、时延较长，无法满足移动用户的需求.因此，提出了将网络功能和内容带到网络边缘的新的体系结构，即，移动边缘计算和缓存。移动边缘网络在蜂窝网络的边缘提供云计算和缓存能力。在本文中，我们对移动边缘网络的研究现状进行了详尽的回顾。本文首先介绍了移动边缘网络的定义、体系结构和优势。然后，分别对网络边缘的计算、缓存和通信技术进行了综述。讨论了移动边缘网络的应用和用例。随后，讨论了云技术、SDN/NFV和智能设备等移动边缘网络的关键使能因素。最后，提出了研究中存在的问题和未来的发展方向。
2017-03-31 cs.NI
Analysis of Recent Checkpointing Techniques for Mobile Computing Systems
从瞬时故障中恢复是分布式系统中的主要问题之一。这些系统需要透明而有效的技术来实现相同的目标。检查点被定义为程序中的一个指定位置，在这里系统的正常处理被中断以保存状态信息。检查点是保存状态信息的过程。移动计算系统经常遭受本质上是瞬时的和独立的高故障率。为了增加这种分布式系统的可靠性和高可用性，基于检查点的回卷恢复是在诸如科学计算、数据库、电信应用和关键任务应用的应用中广泛使用的技术之一。本文综述了在移动计算系统中检查点的算法。
2011-08-31 cs.NI
Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing Systems
在移动边缘计算系统中，当大量移动设备将任务卸载到边缘节点时，边缘节点的负载可能会很高，这些被卸载的任务可能会经历很大的处理延迟，甚至在截止期限到期时被丢弃。由于边缘节点处的不确定负载动态，对于每个设备来说确定其卸载决策（即，是否卸载以及它应该将其任务卸载到哪个边缘节点）。在这项工作中，我们考虑不可分割的和延迟敏感的任务，以及边缘负载动态，并制定一个任务卸载问题，以尽量减少预期的长期成本。我们提出了一种基于无模型深度强化学习的分布式算法，其中每个设备可以在不知道其他设备的任务模型和卸载决策的情况下确定其卸载决策。为了改进算法中长期成本的估计，我们结合了长短期记忆（LSTM），决斗深度Q网络（DQN）和双DQN技术。对50台移动设备和5个边缘节点的仿真结果表明，与现有的几种算法相比，该算法可以降低86.4%~ 95.4%的任务丢失率和18.0%~ 30.1%的平均任务延迟.
2020-04-10 cs.NI
Efficient Radio Resource Management for Wireless Cellular Networks with Mobile Edge Computing
移动边缘计算（MEC）作为一种有前途的方法来增强移动设备的计算能力，引起了极大的兴趣。MEC范例中的一个重要问题是计算卸载。在本文中，我们提出了一个集成的框架，用于在无线蜂窝网络中使用移动边缘计算进行计算卸载和干扰管理。在该集成框架中，MEC服务器根据所有用户设备（UE）估计的本地计算开销和MEC服务器自身估计的卸载开销来做出卸载决策。然后，MEC服务器使用图着色来执行PRB分配。然后，卸载决定和PRB分配的结果用于将MEC服务器的计算资源分配给UE。仿真结果表明，该方案与不同的系统参数的有效性。
2017-06-28 cs.NI
ENGINE:Cost Effective Offloading in Mobile Edge Computing with Fog-Cloud Cooperation
移动边缘计算（MEC）作为一种利用云节点或雾节点将远程云计算扩展到网络边缘的新兴范例，被认为是下一代无线网络的关键技术。通过将计算密集型任务从资源受限的移动设备卸载到雾节点或远程云，可以节省移动设备的能量并且可以增强计算能力。对于雾节点，他们可以租用资源丰富的远程云来帮助他们处理来自移动设备的传入任务。在这种架构中，可以充分利用移动设备的短计算和计算延迟的好处。然而，现有的研究大多假设雾节点具有无限的计算能力，这是不实际的，特别是当雾节点也是能量受限的移动设备。为了提供雾节点的激励和降低移动设备的计算成本，我们提供了一个成本有效的卸载方案在移动边缘计算与雾节点和远程云之间的合作与任务依赖约束。移动设备的预算有限，必须确定哪些任务应该在本地计算或发送到雾。为了解决这个问题，我们首先制定的卸载问题作为一个任务完成时间最小化的问题，给定的预算的移动设备，这是NP-难的。然后，我们设计了两个以上的算法来研究网络的性能。仿真结果表明，所提出的贪心算法可以达到接近最优的性能。平均而言，蛮力法和贪心算法在应用程序完成时间上优于模拟退火算法约28.13%。
2018-10-13 cs.NI
Collaborative Mobile Edge Computing in 5G Networks: New Paradigms, Scenarios, and Challenges
移动边缘计算（MEC）是在移动无线电接入网络（RAN）的边缘内提供计算、存储和联网资源的新兴范例。MEC服务器被部署在RAN内的通用计算平台上，并且允许在终端用户附近执行延迟敏感和上下文感知应用。这种方法可以扩展回程和核心网络，对于实现低延迟、高带宽和灵活的移动服务至关重要。本文设想了一个实时的、上下文感知的协作框架，该框架位于RAN的边缘，由MEC服务器和移动设备组成，并合并边缘的异构资源。具体来说，我们介绍和研究了三个强大的用例，从移动边缘编排，协作缓存和处理和多层干扰消除。我们展示了这些方法在促进向5G网络演进方面的巨大好处。最后，我们讨论了需要解决的关键技术挑战和开放研究问题，以便将MEC有效地集成到5G生态系统中。
2017-04-11 cs.NI
Computing Resource Allocation of Mobile Edge Computing Networks Based on Potential Game Theory
移动边缘计算（MEC）网络是实现超可靠和低延迟通信的关键技术之一。为了保证MEC网络的计算资源效率，需要精心设计计算资源分配方案。为了降低MEC网络的能耗，提高MEC网络的计算资源效率，提出了一种基于势博弈理论的计算资源分配方案。计算资源分配解决方案包括两部分：第一部分是基于势博弈论的功率控制方案，第二部分是基于线性规划的计算资源分配方案。功率控制方案是找到一组基站（BS）的发射功率，最大限度地提高MEC网络的潜在功能。计算资源分配方案是基于功率控制方案的结果来最大化MEC网络的平均计算资源分配系数。仿真结果表明，与传统方案相比，所提计算资源分配方案的计算资源利用率和能量效率都有显著提高。
2019-01-02 cs.NI
Selfish Computation Offloading for Mobile Cloud Computing in Dense Wireless Networks
将计算卸载到移动云是增强移动设备计算能力的有前途的解决方案。在本文中，我们认为自私的移动设备在密集的无线网络中，其中个人移动设备可以通过多个接入点（AP）的移动云卸载计算，以尽量减少他们的计算成本，我们提供了一个博弈论分析的问题。我们表明，在弹性云的情况下，所有的改进路径是有限的，因此存在一个纯策略纳什均衡，可以很容易地计算。在非弹性云的情况下，我们表明，改善路径可能会循环，但我们表明，存在一个纯纳什均衡，我们提供了一个有效的算法计算。此外，我们提供了一个上限的无政府代价（PoA）的游戏。我们使用模拟来评估计算纳什均衡的时间复杂度，并在现实的情况下提供见解的PoA。我们的研究结果表明，均衡成本可能接近最优，成本差异是由于太多的移动用户同时卸载。
2016-04-19 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
Joint Uplink/Downlink Optimization for Backhaul-Limited Mobile Cloud Computing with User Scheduling
移动云计算使得能够将计算繁重的应用（例如用于游戏、对象识别或视频处理）从移动用户（MU）卸载到直接或通过有限容量回程链路连接到无线接入点的微云或云服务器。在本文中，移动云计算系统的设计进行了研究，提出了联合优化的计算和通信资源的目的是最大限度地减少所需的能量卸载下的所有MU在应用层的延迟约束。所提出的设计考虑了多天线上行链路和下行链路干扰传输，在下行链路上有或没有合作，以及回程和计算资源的分配和用户选择。由此产生的设计优化问题是非凸的，和固定的解决方案计算通过逐次凸逼近（SCA）技术。数值结果说明了计算和通信资源的联合优化的能量延迟权衡方面的优势，以及系统参数的影响，如回程容量，和网络架构。
2017-02-03 cs.NI
Cooperative Caching Framework for Mobile Cloud Computing
由于移动设备和无线网络的进步，结合了移动计算和云计算的移动云计算自2009年以来获得了发展势头。移动设备和无线网络的特点使得移动云计算的实现比固定云更加复杂。本节列出了移动云计算中的一些主要问题。移动云计算中的关键问题之一是服务请求的端到端延迟。数据缓存是有线和无线网络中广泛使用的技术之一，用于提高数据访问效率。在本文中，我们探讨了一种合作的缓存方法，以提高移动云计算的数据访问效率的可能性。所提出的方法是基于cloudlets，为移动云计算设计的架构之一。
2013-07-29 cs.DC 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
Delay-Energy Joint Optimization for Task Offloading in Mobile Edge Computing
移动边缘计算（MEC）已经被设想为满足移动用户不断增长的资源需求、延长移动设备的电池寿命以及缩短用户经历的请求响应延迟的有希望的范例。MEC环境由许多MEC服务器和无处不在的接入点组成，这些服务器和接入点互连到边缘云网络中。移动用户可以将其计算密集型任务卸载到一个或多个MEC服务器上执行，以节省电池。由于在MEC中部署了大量MEC服务器，因此选择服务器的子集来服务用户任务，同时满足其用户的延迟要求是具有挑战性的。在本文中，我们制定了一个新的延迟能量联合优化问题，通过共同考虑CPU周期的频率调度在移动设备，服务器的选择，以服务于用户卸载任务，任务分配到选定的服务器。为此，我们首先将该问题表示为一个混合整数非线性规划问题，由于求解该非线性规划问题的困难，我们将该问题松弛为一个非线性规划问题，可以在多项式时间内求解。我们还展示了如何从这个放松的解决方案的解决方案，以获得一个可行的解决方案，原来的问题。我们最后进行实验，以评估所提出的算法的性能。实验结果表明，该算法是有前途的。
2018-04-27 cs.NI
Self-Explaining Reinforcement Learning for Mobile Network Resource Allocation
研究移动网络资源分配问题，核心方法是用自解释神经网络参数化PPO智能体策略并聚合局部解释为全局解释，主要贡献是性能接近最优深度学习方法且显著优于启发式方法，全局解释相关性强，在高风险强化学习中有潜力。
2026-07-23 cs.LG cs.NI
Coordinated Reinforcement Learning for Optimizing Mobile Networks
Ericsson Research（爱立信研究院）
移动网络由许多基站组成，并且对于每个基站，必须优化许多参数以提供良好的服务。自动和动态地优化所有这些实体是具有挑战性的，因为它们对环境的变化很敏感，并且可以通过干扰相互影响。强化学习（RL）算法是从传入数据自动学习基站配置策略的良好候选者，但它们通常难以扩展到许多代理。在这项工作中，我们演示了如何在涉及数百个合作代理的复杂应用程序中使用协调图和强化学习。我们展示了如何使用协调图对移动网络进行建模，以及如何使用多智能体强化学习有效地解决网络优化问题。图形结构自然地从关于网络的专家知识中产生，并且允许通过由神经网络表示的边缘价值函数来明确地学习天线之间的协调行为。我们的经验表明，协调强化学习优于其他方法。使用本地RL更新和参数共享可以处理大量代理，而不会牺牲协调，这使得它非常适合优化5G及以后带来的更密集的网络。
2021-09-30 cs.LG cs.NI
Mobile Cloud Computing: A Comparison of Application Models
云计算是一个新兴的概念，它结合了计算的许多领域。云计算的基础是通过互联网提供服务、软件和处理能力，降低成本，增加存储，实现系统自动化，将服务提供与基础技术分离，并提供信息的灵活性和移动性。然而，这些好处的实际实现还远远没有达到移动应用程序，并打开了许多新的研究问题。为了更好地理解如何促进基于移动云的应用程序的构建，我们通过云计算原则的棱镜调查了移动计算中的现有工作。我们给出了一个移动云计算的定义，并提供了一个概述的结果，特别是移动云应用程序的模型。我们还强调了移动云计算领域的研究挑战。最后，我们提出了一些建议，以更好地理解移动云计算如何帮助构建更强大的移动应用程序。
2011-07-25 cs.DC cs.MM 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
Deep Reinforcement Learning with Symmetric Prior for Predictive Power Allocation to Mobile Users
Beihang University（北京航空航天大学）
深度强化学习已被应用于各种无线任务，然而，已知其具有高训练和推理复杂度。在本文中，我们诉诸深度确定性策略梯度（DDPG）算法，以优化预测功率分配之间的K个移动用户请求视频流，最大限度地减少网络的能量消耗下，每个用户的无停顿约束。为了降低DDPG的采样复杂度和模型规模，我们利用了一种演员和评论家网络固有的对称先验：置换不变和等变性质，来设计神经网络。我们的分析表明，DDPG的自由模型参数可以压缩2/K^2。仿真结果表明，当K = 10时，具有对称先验的学习模型达到与香草策略相同的性能所需的情节减少了约三分之一。
2021-02-10 cs.LG cs.NI
Anticipatory Mobile Computing: A Survey of the State of the Art and Research Challenges
今天的手机已经远远不是十年前的通信设备了。配备了复杂的传感器和先进的计算硬件，手机可以用来推断用户的位置，活动，社交环境等。随着设备变得越来越智能，它们的能力从推断上下文发展到预测上下文，然后根据预测的上下文进行推理和行动。本文概述了移动传感和上下文预测的当前技术水平，为全面的预期移动计算铺平了道路。我们提出了一个调查的现象，手机可以推断和预测，并提供了用于这种预测的机器学习技术的描述。然后，我们讨论通过用户设备反馈回路的主动决策和决策交付。最后，我们讨论了预期的移动计算的挑战和机遇。
2015-01-02 cs.HC cs.NI
Proceedings Ninth International Workshop on Foundations of Mobile Computing
由于移动技术、应用和服务的广泛传播，移动通信已经成为计算机科学中一个充满活力的研究领域。通信、计算和移动性的交织不断给这一领域的算法设计带来新的挑战。移动计算基础（FOMC）研讨会致力于涵盖离散/分布式算法的设计和分析以及移动、无线和类似动态网络的系统建模方面的所有方面。它旨在汇集该领域的实践者和理论家，以促进移动计算和算法研究之间的合作。
2013-10-17 cs.DC cs.DS cs.NI
Mobile Cloud Computing with a UAV-Mounted Cloudlet: Optimal Bit Allocation for Communication and Computation
移动云计算通过将计算任务从移动设备卸载到远程处理器，缓解了计算密集型移动应用程序和电池受限的移动设备之间的紧张关系。本文考虑了一个移动云计算的情况下，“小云”处理器，提供卸载的机会，移动设备安装在无人机（UAV），以提高覆盖范围。针对移动台与无人机之间采用频分复用的时隙通信系统，对移动台在上行链路中向无人机发送的输入比特数、无人机处微云处理的输入比特数通过最大时延下的对偶分解，限制，目的是最小化移动能耗。数值结果揭示了一个优化的位分配，以使显着的能源节约相比，严格的延迟约束的本地移动执行的至关重要的。
2017-05-18 cs.IT cs.NI math.IT
MOMCC: Market-Oriented Architecture for Mobile Cloud Computing Based on Service Oriented Architecture
利用云计算来增强移动设备（尤其是智能手机）的计算能力的愿景很可能转变为现实。移动设备对云计算的利用催生了一个新的研究领域--移动云计算（MCC）。然而，像可移植性和互操作性的问题应该得到解决的移动增强，这是一个不平凡的任务，使用基于组件的方法。面向服务的架构（SOA）是一种很有前途的设计理念，被移动计算和云计算社区所接受，以使用称为服务的预制构建块来刺激可移植的复杂应用程序。利用远程云资源托管和运行服务受到长WAN延迟的阻碍。利用附近的移动设备会延长WAN延迟，同时会产生一系列新问题，如服务发布和发现以及客户端-服务器安全性、可靠性和服务可用性。在本文中，我们提出了一个面向市场的架构，基于SOA，以刺激发布，发现和托管服务附近的移动，这减少了长WAN延迟，并创造了一个商业机会，鼓励移动业主拥抱服务托管。一组手机模拟附近的云计算平台。我们通过使不熟练的移动所有者/用户能够托管由熟练的开发人员开发的服务来创建\textit{Service host}的新角色。显然，服务可用性、可靠性和面向服务的移动应用程序可移植性将在我们的移动云基础设施中朝着绿色普适计算的方向提高。
2012-06-27 cs.DC cs.NI cs.SE
SAMI: Service-Based Arbitrated Multi-Tier Infrastructure for Mobile Cloud Computing
移动云计算（MCC）是旨在缓解移动设备资源匮乏的最新移动计算技术。最近，已经提出了若干方法和技术来通过利用云计算来增强移动设备。然而，长WAN延迟和信任仍然是MCC的两个主要问题，阻碍了其愿景。本文对MCC进行了分析，并对其存在的问题进行了讨论。我们利用面向服务的架构（SOA），提出了一个仲裁的多层基础设施模型命名为SAMI MCC。我们的体系结构由三个主要层组成，即SOA、仲裁器和基础设施。该架构的主要优势在于其多层基础设施层，该层利用来自云、移动网络运营商（MNO）和MNO授权经销商这三个主要来源的基础设施。在基础设施层之上，仲裁器层被设计为基于诸如资源需求、延迟和安全性等多个度量对服务进行分类并为其分配合适的资源。利用SAMI可以促进基于服务的平台中立移动应用程序的开发和部署。
2012-06-27 cs.DC cs.NI
Mobile Edge Computing, Fog et al.: A Survey and Analysis of Security Threats and Challenges
由于各种原因，云计算范例无法满足对于若干应用（例如，车载网络、增强现实）至关重要的某些要求（例如，低延迟和抖动、上下文感知、移动性支持）。为了满足这些要求，近年来出现了各种范例，例如雾计算、移动边缘计算和移动云计算。虽然这些边缘范式有几个共同的特点，但大多数现有的研究都是分割的;没有探索过协同作用。在安全领域尤其如此，大多数分析只关注一种边缘范式，而忽略了其他范式。本研究的主要目标是全面分析所有边缘范例中固有的安全威胁、挑战和机制，同时突出潜在的协同作用和协作场所。在我们的研究结果中，我们将表明，所有边缘范式都应该考虑其他范式的进步。
2016-11-14 cs.CR cs.NI
HetMEC: Latency-optimal Task Assignment and Resource Allocation for Heterogeneous Mobile Edge Computing
由于对边缘设备（ED）的低延迟服务的巨大需求，已经提出了移动边缘计算（MEC）以实现无线电接入网络边缘处的计算能力。然而，传统的MEC服务器具有诸如有限的计算能力、阻止及时处理计算密集型任务的缺点。为了缓解这个问题，我们提出了异构MEC（HetMEC），其中不能在边缘及时处理的数据被允许卸载到上层MEC服务器，并最终卸载到具有更强大计算能力的云中心（CC）。我们设计的延迟最小化算法，共同协调的任务分配，计算和传输资源之间的ED，多层MEC服务器，和CC。仿真结果表明，我们提出的算法可以实现更低的延迟和更高的处理速率比传统的MEC方案。
2019-01-27 cs.NI eess.SP
Online Learning for Offloading and Autoscaling in Energy Harvesting Mobile Edge Computing
University of Miami（迈阿密大学）；University of California, Riverside（加州大学河滨分校）
移动边缘计算（也称为雾计算）最近已经出现，以使得能够在移动网络的边缘处对延迟敏感的应用进行原位处理。然而，提供支持移动边缘计算的电网供电成本高昂，甚至不可行（在某些崎岖或欠发达地区），因此在越来越多的情况下，要求现场可再生能源作为主要甚至唯一的电源。然而，可再生能源的高不稳定性和不可预测性使得在能量收集移动边缘计算系统中向用户提供高服务质量非常具有挑战性。在本文中，我们解决了将可再生能源纳入移动边缘计算的挑战，并提出了一种有效的基于强化学习的资源管理算法，该算法实时学习动态工作负载卸载（到集中式云）和边缘服务器配置的最佳策略，以最大限度地降低长期系统成本（包括服务延迟和运营成本）。我们的在线学习算法使用（离线）值迭代和（在线）强化学习的分解，从而实现了学习率和运行时性能的显着改善相比，标准的强化学习算法，如Q学习。我们证明了所提出的算法的收敛性，并分析表明，学习的政策有一个简单的单调结构，适合实际实施。我们的仿真结果验证了我们的算法的有效性，这显着提高了边缘计算性能相比，固定或短视的优化方案和传统的强化学习算法。
2017-03-17 cs.LG cs.NI
Age Based Task Scheduling and Computation Offloading in Mobile-Edge Computing Systems
为了支持新兴的实时监控应用，计算结果的及时性对于移动边缘计算（MEC）系统至关重要。我们提出了一个性能指标称为年龄的任务（AoT）的概念的基础上的年龄的信息（AoI），计算任务的时间价值进行评估。在本文中，我们考虑一个系统由一个单一的MEC服务器和一个移动终端运行多个应用程序。我们研究了一个年龄最小化问题，联合考虑任务调度，计算卸载和能源消耗。为了有效地解决这个问题，我们提出了一个轻量级的任务调度和计算卸载算法。通过性能评估，我们表明，我们提出的基于年龄的解决方案相比，传统的策略是有竞争力的。
2019-05-28 cs.NI eess.SP
A Survey on Reinforcement Learning-Aided Caching in Mobile Edge Networks
IRIDA Research Centre for Communication Technologies（IRIDA通信技术研究中心）；University of Cyprus（塞浦路斯大学）；Ionian University（爱奥尼亚大学）；Aalto University（阿尔托大学）；Rutgers University（罗格斯大学）
移动网络正在经历数据量和用户密度的巨大增长。缓解这个问题的一种有效技术是通过利用边缘网络节点（例如固定或移动接入点甚至用户设备）的缓存来使数据更接近用户。与此同时，机器学习和无线网络的融合为网络优化提供了一种可行的方法，而传统的优化方法会导致高复杂度，或者无法提供最佳解决方案。在各种机器学习类别中，强化学习以在线和自主的方式运行，而不依赖于大量的历史数据进行训练。在这项调查中，强化学习辅助移动边缘缓存，旨在突出实现网络增益超过传统的缓存方法。考虑到第六代（6G）网络在各种无线环境中的异构性，如固定，车载和飞行网络，学习辅助边缘缓存，离开传统的架构。此外，提供了根据期望的性能度量（诸如频谱、能量和高速缓存效率、平均延迟以及回程和前传卸载）的分类。最后，几个开放的问题进行了讨论，旨在激发进一步的兴趣，这一重要的研究领域。
2021-05-14 cs.IT cs.LG cs.NI
Inter-Layer Per-Mobile Optimization of Cloud Mobile Computing: A Message-Passing Approach
云移动计算使得能够经由无线接口将计算密集型应用从移动终端卸载到云处理器。鉴于应用层的卸载决策与物理层参数之间的强烈相互作用，这些参数决定了与移动云通信相关的能量和延迟，本文研究了跨两层的细粒度任务卸载的层间优化。在现有技术中，在处理和通信的串行实现下，该问题被公式化为混合整数程序，导致任务数量呈指数级的复杂性。在这项工作中，相反，算法的解决方案，提出了利用典型应用程序的调用图的结构，通过调用图上的消息传递，在串行和并行实现的处理和通信。对于调用树，所提出的解决方案具有线性的任务数量的复杂性，和有效的扩展更一般的调用图，包括“地图”和“减少”型任务。此外，所提出的方案是最佳的串行实现，并提供了原则性的并行实现。广泛的数值结果产生洞察层间优化的影响和两种实现的比较。
2015-08-26 cs.DC cs.NI
Decentralized Network Topology Design for Task Offloading in Mobile Edge Computing
针对移动边缘计算中网络拓扑优化不足的问题，提出一种联合考虑拓扑设计与任务分配的去中心化网络拓扑设计策略DNTD-TO，通过构建三层网络结构生成最优任务分配，显著提升了计算效率。
2024-11-12 cs.DC cs.NI
Mobile Edge Computing via a UAV-Mounted Cloudlet: Optimization of Bit Allocation and Path Planning
无人机（UAV）最近被认为是在具有有限基础设施或没有基础设施的无线系统中向移动用户（MU）提供增强覆盖或中继服务的手段。研究了一种基于无人机的移动云计算系统，该系统通过赋予移动无人机计算能力，为本地处理能力有限的MU提供计算卸载机会。该系统旨在最小化总的移动能量消耗，同时满足卸载的移动应用的服务质量要求。卸载通过移动设备和UAV之间的上行链路和下行链路通信来实现，所述上行链路和下行链路通信借助于频分双工（FDD）经由正交或非正交多址（NOMA）方案来进行。联合优化上行链路和下行链路通信的比特分配以及在UAV处的计算的问题，以及在延迟和UAV的能量预算约束下的微云的轨迹，通过利用连续凸近似（SCA）策略来制定和解决。数值结果表明，可以通过所提出的联合优化的比特分配和微云的轨迹相比，本地移动执行，以及部分优化方法，只设计的比特分配或微云的轨迹，可以累计显着的节能。
2017-05-18 cs.IT cs.NI math.IT
Energy Efficient Mobile Edge Computing in Dense Cellular Networks
移动边缘计算（MEC）是满足移动设备日益增长的计算需求的新兴范例，它与密集部署的基站（BS）相结合，被认为是迈向下一代移动网络的关键一步。然而，由于BS的无线电接入资源和计算资源必须被联合管理，并且它们在空间域和时间域两者中与业务复杂地耦合，因此对于设计能量高效的网络出现了新的挑战。在本文中，我们解决的挑战，将MEC到密集的蜂窝网络，并提出了一个有效的在线算法，称为引擎（能量约束卸载和睡眠），使联合计算卸载和BS睡眠的决定，以最大限度地提高服务质量，同时保持低能耗。我们的算法利用李雅普诺夫优化技术，在线工作，并实现了接近最优的性能，而不使用未来的信息。仿真结果表明，该算法在不牺牲用户服务质量的前提下，可以有效地降低能耗。
2017-01-25 cs.IT cs.NI math.IT
Deep Learning for Secure Mobile Edge Computing
Hangzhou Dianzi University（杭州电子科技大学）；University of Oslo（奥斯陆大学）
移动边缘计算（MEC）是在蜂窝网络边缘实现云计算能力的一种有前途的方法。尽管如此，安全性在基于MEC的应用中正成为越来越重要的问题。在本文中，我们提出了一个基于深度学习的模型来检测安全威胁。该模型利用无监督学习实现检测过程的自动化，并将位置信息作为重要特征来提高检测的性能。我们提出的模型可以用来检测蜂窝网络边缘的恶意应用程序，这是一个严重的安全威胁。使用10个不同的数据集进行了广泛的实验，结果表明，与最先进的机器学习算法相比，我们基于深度学习的模型实现了6%的平均准确率。
2017-09-23 cs.CR cs.LG cs.NI
Reinforcement Learning-Empowered Mobile Edge Computing for 6G Edge Intelligence
Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Tsinghua University（清华大学）；East China Normal University（华东师范大学）；Nantong University（南通大学）；National Mobile Communications Research Laboratory（移动通信国家重点实验室）；Southeast University（东南大学）；National Key Laboratory on Communications（通信抗干扰技术国家级重点实验室）；University of Electronic Science and Technology of China（电子科技大学）
移动边缘计算（MEC）被认为是第五代（5G）网络及以后的计算密集型和延迟敏感型任务的新范式。然而，由于移动终端、无线信道和边缘网络等方面的不确定性（动态性和随机性），导致了该问题的高维、非凸、非线性和NP难优化问题。由于进化的强化学习（RL），通过与动态和随机环境的迭代交互，其训练的代理可以智能地获得MEC中的最优策略。此外，它的进化版本，如深度RL（DRL），可以实现更高的收敛速度效率和学习精度的基础上的参数近似的大规模状态-动作空间。本文提供了一个全面的研究综述RL使能MEC，并提供了在这一领域的发展洞察力。更重要的是，与自由移动性，动态信道和分布式服务，MEC的挑战，可以解决不同种类的RL算法被确定，其次是他们如何可以解决RL解决方案在不同的移动应用。最后，讨论了开放的挑战，为今后的研究提供了有益的指导RL培训和学习MEC。
2022-04-26 cs.AI cs.IT cs.NI
Entropy-Aware Task Offloading in Mobile Edge Computing
North Carolina State University（北卡罗来纳州立大学）
本文研究了在移动边缘计算中考虑隐私保护的任务卸载问题，采用深度递归Q网络解决马尔可夫决策过程，并通过数值模拟验证了方法的有效性。
2026-03-30 cs.LG cs.NI cs.SY
