IRS-aided Wireless Powered MEC Systems: TDMA or NOMA for Computation Offloading?
提出了一种基于智能反射面（IRS）的无线供电移动边缘计算（WP-MEC）系统，每个设备的计算任务可以分为本地计算和卸载到移动边缘计算（MEC）服务器两部分。考虑时分多址（TDMA）和非正交多址（NOMA）方案用于上行链路（UL）卸载。给定IRS随时间智能地重新配置无线信道的能力，根本上不知道哪种多址方案对于MEC UL卸载是优越的。为了回答这个问题，我们首先调查三种不同的动态IRS波束成形（DIBF）方案的计算速率的卸载方案的影响，IRS在调整其波束成形（BF）向量在每个传输帧的灵活性的基础上。在DIBF框架下，分别针对NOMA和TDMA方案，通过联合优化IRS被动BF和资源分配，来制定计算速率最大化问题。我们严格证明，卸载采用TDMA可以达到相同的计算速率的NOMA，当所有的设备共享相同的IRS BF矢量在UL卸载。相比之下，当IRS BF向量可以灵活地适应于UL卸载时，利用TDMA的卸载优于NOMA。尽管每个DIBF计划与高度耦合的优化变量的计算速率最大化问题的非凸性，我们设想通过调用交替优化计算效率高的算法。我们的数值结果表明，所提出的设计在各种基准计划取得了显着的性能增益。
2021-08-21 cs.ET cs.IT math.IT
Secure and Multi-Step Computation Offloading and Resource Allocation in Ultra-Dense Multi-Task NOMA-Enabled IoT Networks
超密集网络被广泛认为是物联网（IoT）移动设备（IMD）爆炸性增长应用的有前途的解决方案。然而，在这样的网络中，需要适当地处理复杂和严重的干扰。为此，首先利用正交多址（OMA）和非正交多址（NOMA）。然后，为了实现绿色安全的计算卸载，在均衡分配计算资源的基础上，在时延和安全代价的约束下，通过联合设备关联、信道选择、安全服务分配、功率控制和计算卸载等措施，最大限度地降低所有IMD的总能耗。值得注意的是，多步计算卸载集中，以平衡网络负载，充分利用计算资源。由于最后制定的问题是在一个非线性的混合整数形式，它可能是非常困难的，以找到其封闭形式的解决方案。针对这一问题，设计了一种改进的鲸鱼优化算法（IWOA）。对该算法的收敛性、计算复杂性和并行实现进行了详细的分析。仿真结果表明，在时延和安全代价的约束下，该算法比现有算法具有更低的能耗。
2023-03-11 cs.IT math.IT
DRL-Assisted Resource Allocation for NOMA-MEC Offloading with Hybrid SIC
多址边缘计算（MEC）和非正交多址（NOMA）已经被认为是在第六代（6 G）移动系统中提高移动设备的计算能力和卸载效率的有前景的技术。本文主要研究了混合NOMA-MEC系统，该系统首先将多个用户分组成对，每对用户通过NOMA同时卸载各自的任务，然后通过正交多址接入（OMA）为延迟容忍度较高的用户分配一段时间，用于上传剩余的数据。对于传统的NOMA上行链路传输，根据信道状态信息（CSI）或服务质量（QoS）要求，应用连续干扰消除（SIC）来连续地解码叠加的信号。在这项工作中，我们集成了混合SIC方案，动态适应所有NOMA组之间的SIC解码顺序。为了解决用户分组问题，提出了一种基于深度强化学习（DRL）的算法，以获得接近最优的用户分组策略。此外，我们最佳地最小化卸载能源消耗，通过获得封闭形式的解决方案的资源分配问题。仿真结果表明，该算法收敛速度快，NOMA-MEC方案优于现有的正交多址接入（OMA）方案。
2021-04-07 cs.IT eess.SP math.IT
Secure Offloading in NOMA-Aided Aerial MEC Systems Based on Deep Reinforcement Learning
针对存在空中窃听者的NOMA辅助UAV-MEC系统，提出一种基于深度确定性策略梯度算法的安全卸载方案，通过联合优化UAV轨迹、用户发射功率与计算频率，在保障数据安全的同时最小化长期网络计算成本。
2024-10-11 cs.IT math.IT
Task Offloading Optimization in NOMA-Enabled Multi-hop Mobile Edge Computing System Using Conflict Graph
研究了多跳移动边缘计算（MEC）系统中计算密集型任务卸载的资源分配问题。所设想的系统具有具有计算能力的协作接入点（AP）和MEC服务器。因此，用户设备（UD）首先将计算任务上传到最近的AP，并且AP可以本地处理接收到的任务或卸载到MEC服务器。为了有效地利用AP中的无线资源块（RRB），我们利用非正交多址来将任务从UD卸载到AP。对于所考虑的支持NOMA的多跳MEC计算系统，我们的目标是最大限度地减少系统的延迟和能耗。为了实现这一目标，联合优化问题是制定考虑卸载决定的AP，调度之间的UD，RRB和AP，和UD的发射功率分配。为了有效地解决这个问题，（i）设计了一种基于冲突图的方法，该方法联合解决了UD、AP和RRB之间的调度、发射功率控制和AP的计算资源分配，以及（ii）还设计了一种低复杂度的基于修剪图的方法。所提出的基于图的方法在几个基准计划的效率进行了验证，通过广泛的模拟。
2021-04-23 cs.IT math.IT
Multi-Antenna NOMA for Computation Offloading in Multiuser Mobile Edge Computing Systems
研究了一种多用户移动边缘计算（MEC）系统，其中一个基站（BS）为多个用户提供密集计算任务。我们利用多天线非正交多址接入（NOMA）技术的多用户计算卸载，使不同的用户可以同时卸载他们的计算任务的多天线BS在相同的时间/频率资源，和BS可以采用连续干扰消除（SIC），以有效地解码所有用户的卸载任务，远程执行。我们的目标是最大限度地减少加权总能耗在所有用户的计算延迟的限制，通过联合优化通信和计算资源分配以及BS的解码顺序SIC。对于部分卸载的情况，加权能量和最小化问题是一个凸优化问题，基于Lagrange对偶方法给出了一个有效的算法来获得全局最优解.对于二进制卸载的情况，加权和能量最小化对应于{ \em混合布尔凸问题}，其通常更难以求解。我们首先使用分支定界（BnB）方法来获得全局最优解，然后开发了两个低复杂度的算法的基础上的贪婪方法和凸松弛，分别找到高质量的次优解在实践中。通过数值计算结果，它表明，所提出的基于NOMA的计算卸载设计显着提高了多用户MEC系统的能量效率相比，其他基准计划。它还表明，对于二进制卸载的情况下，所提出的贪婪方法执行接近最佳的BnB为基础的解决方案，和凸松弛为基础的解决方案实现了次优性能，但具有较低的实现复杂度。
2018-09-08 cs.IT math.IT
Optimal Task Assignment and Power Allocation for NOMA Mobile-Edge Computing Networks
移动边缘计算（MEC）可以增强移动设备的计算能力，非正交多址（NOMA）可以提供高数据率。结合这两种技术可以有效地使网络受益于频谱和能源效率。在本文中，我们研究了NOMA多用户MEC网络中的任务完成时间最小化，其中多个用户可以通过相同的频带同时卸载他们的任务。我们采用了\emph{partial}卸载，其中每个用户可以将其计算任务划分为卸载计算和本地计算部分。我们的目标是最大限度地减少用户之间的最大任务延迟，通过优化他们的任务分配比和卸载发射功率。通过考虑每个用户的能量消耗和发射功率限制，所述问题是拟凸的。因此，二分搜索（BSS）迭代算法，提出了获得最小的任务完成时间。为了降低BSS算法的复杂度并评估其最优性，在分析结果的基础上，进一步推导了两用户NOMA MEC网络的最优任务划分比和卸载功率的封闭表达式.仿真结果证明了所提出的盲源分离算法的收敛性和最优性，以及所提出的最优解的有效性。
2019-04-28 cs.IT math.IT
Online Offloading Scheduling for NOMA-Aided MEC Under Partial Device Knowledge
通过利用非正交多址接入（NOMA）的优势，NOMA辅助的移动边缘计算（MEC）可以为物联网提供可扩展、低延迟的计算服务。然而，由于无线网络的随机性和NOMA复杂的信号处理，这是至关重要的，但具有挑战性的NOMA辅助MEC设计一个有效的任务卸载算法，特别是在大量的设备。本文提出了一种在线算法，该算法联合优化卸载决策和资源分配，以最大化长期系统效用（即，吞吐量和公平性的度量）。由于优化变量是临时耦合的，我们首先应用李雅普诺夫技术解耦的长期随机优化成一系列的每槽确定性的子问题，这不需要任何先验知识的网络动力学。其次，我们建议通过引入一组辅助变量，将优化NOMA功率分配的非凸每时隙子问题等价地转换为凸形式，从而将时间复杂度从指数复杂度降低到$\mathcal{O} (M^{3/2})$。该算法被证明是渐近最优的，即使在部分知识的设备状态在基站。仿真结果验证了该算法在系统效用、稳定性提高和开销减少方面的优越性。
2021-06-30 cs.IT eess.SP math.IT
Data Sensing and Offloading in Edge Computing Networks: TDMA or NOMA?
随着物联网（IoT）的发展，具有传感、计算和通信功能的设备数量呈爆炸式增长，网络边缘产生大量原始数据。移动（多址）边缘计算（MEC），通过无线链路在网络边缘（如基站（BS））获取和处理数据，已成为一种有前途的实时应用技术。在本文中，我们考虑的情况下，多个设备感测，然后卸载数据到边缘服务器/BS，卸载吞吐量最大化的问题进行了研究，通过联合无线电和计算资源分配，基于时分多址（TDMA）和非正交多址（NOMA）多用户计算卸载。特别地，我们考虑到基于TDMA的多用户传输/卸载的顺序。所研究的问题是NP-困难的，非凸的。基于分解方法和对问题有价值的见解的探索，设计了一组低复杂度的算法。它们要么是最优的，要么可以达到接近最优的性能，如模拟所示。综合仿真结果表明，序列优化的TDMA方案比NOMA方案具有更好的吞吐量性能，而在分时策略和设备感知能力相同的前提下，NOMA方案的吞吐量性能更好。
2021-11-22 cs.IT eess.SP math.IT
Dynamic NOMA-Based Computation Offloading in Vehicular Platoons
针对车联网低延迟计算需求，提出高速公路车辆编队的动态NOMA计算卸载方案，结合Lyapunov优化与SCA设计在线算法，在信道波动下优化资源分配以最小化长期最大任务队列，性能优于本地计算与OMA卸载方案。
2023-05-02 cs.IT math.IT
NOMA Enabled Multi-Access Edge Computing: A Joint MU-MIMO Precoding and Computation Offloading Design
针对多天线MEC用户以NOMA接入边缘服务器的场景，提出联合优化计算频率、卸载比例与预编码矩阵的迭代方法，在满足时延约束下最小化总能耗，并验证了收敛性和性能优势。
2023-11-07 cs.IT eess.SP math.IT
Delay Aware Secure Offloading for NOMA-Assisted Mobile Edge Computing in Internet of Vehicles
本文研究了一种多车辆多任务非正交多址接入（NOMA）辅助的移动边缘计算（MEC）系统。为了提高边缘车辆的性能，我们提出了一种车辆分组配对方法，利用车辆附近的MEC全双工中继，以协助边缘车辆。为了提高传输的安全性，我们采用人工噪声来干扰窃听车辆。此外，我们推导出了系统的秘密中断概率的近似表达式。车辆任务划分，功率分配，和发射波束形成的组合优化制定最小化的总延迟完成任务的边缘车辆。然后，针对混合整数非线性规划问题，设计了一种基于遗传算法的功率分配和任务调度算法。数值结果表明，我们所提出的方案在系统安全性和传输延迟方面的优越性。
2021-08-01 cs.IT eess.SP math.IT
Energy-Efficient Resource Allocation for Secure NOMA-Enabled Mobile Edge Computing Networks
移动边缘计算（MEC）已被设想为下一代无线网络中有前途的技术。为了提高计算任务卸载的安全性和增强用户的连通性，研究了MEC感知网络中的物理层安全和非正交多址接入（NOMA）问题。考虑到实际的被动窃听场景，采用保密中断概率来衡量计算卸载的保密性能。首先研究了在秘密卸载率约束、计算延迟约束和秘密中断概率约束下的加权总能耗最小化问题。导出了最优解的半封闭形式表达式。然后，我们研究的秘密中断概率最小化问题，考虑到两个用户的优先级，并描述了最佳的秘密卸载率和功率分配的封闭形式的表达式。数值结果表明，我们所提出的设计的性能优于替代的基准计划。
2019-10-22 cs.IT eess.SP math.IT
Optimal Resource Allocation for Delay Minimization in NOMA-MEC Networks
多址边缘计算（MEC）可以增强移动设备的计算能力，而非正交多址接入（NOMA）可以提供高数据速率。结合这两种策略可以有效地使网络具有频谱和能量效率。在本文中，我们研究了多用户NOMA-MEC网络中的任务延迟最小化，其中多个用户可以通过相同的频段同时卸载他们的任务。我们采用部分卸载策略，每个用户可以将其计算任务划分为卸载和本地计算部分。我们的目标是最大限度地减少用户之间的任务延迟，通过优化他们的任务分配比和卸载发射功率。首先，制定的延迟最小化问题，它是一个非凸的。通过仔细研究它的结构，我们把原来的问题转化为一个等价的拟凸。在此基础上，提出了一种二分搜索迭代算法，以实现最小的任务延迟。为了降低该算法的复杂性和评估其最优性，我们进一步推导出封闭形式的表达式的最佳任务划分比和卸载功率的情况下，两个用户的NOMA-MEC网络。仿真结果证明了该算法的收敛性和最优性，以及闭合形式分析的有效性。
2020-09-11 cs.IT eess.SP math.IT
NOMA-aided Joint Communication, Sensing, and Multi-tier Computing Systems
提出了一种非正交多址接入（NOMA）辅助的联合通信、感知和多层计算（JCSMC）框架。在该框架中，多功能基站（BS）执行目标感知，同时向附近的用户提供边缘计算服务。为了提高计算效率，采用多层计算结构，其中BS可以进一步将计算任务卸载到功能强大的云服务器（CS）。研究了在JCSMC框架中使用NOMA的潜在好处，它可以最大限度地提高计算卸载能力并抑制函数间干扰。基于所提出的框架，BS的发射波束形成器和在BS和CS处的计算资源分配被联合优化，以最大化服从通信-计算因果关系和感测质量约束的计算速率。分别考虑了部分卸载和二进制卸载两种计算模式：1）针对部分卸载模式，提出了一种基于加权最小均方误差的交替优化算法来求解相应的非凸优化问题。2）对于二进制卸载模式，首先将高耦合混合整数优化问题转化为等价但更易处理的形式。然后，利用乘子法的交替方向法求解该问题，得到了一个近似最优解。最后，数值结果验证了所提出的算法和所提出的NOMA辅助JCSMC框架的有效性
2022-12-27 cs.IT eess.SP math.IT
Delay-Optimal Scheduling for IRS-Aided Mobile Edge Computing
我们考虑一个智能反射面（IRS）辅助移动边缘计算（MEC）系统，其中部署了一个IRS，以协助计算卸载从两个用户到与边缘云连接的接入点。对于IRS辅助的数据传输，与传统的非正交多址（NOMA）和时分多址（TDMA）相比，我们提出了一种新的灵活的分时NOMA方案，允许用户灵活地将其数据分为两部分，分别通过NOMA和TDMA传输，从而将传统的NOMA和TDMA封装为特殊情况。我们制定了一个优化问题，以最大限度地减少两个用户的总延迟设计的IRS被动反射和用户的计算卸载调度下的IRS离散相位约束。虽然这个问题是非凸的，我们得到了无限和有限的云计算能力的情况下，它的最优解。此外，我们表明，基于NOMA和TDMA的传输是首选在不同的情况下，取决于用户的云计算时间以及NOMA和TDMA与IRS之间的速率差异。
2020-11-07 cs.IT math.IT
A Max-Min Task Offloading Algorithm for Mobile Edge Computing Using Non-Orthogonal Multiple Access
本文提出一种基于NOMA的MEC任务卸载算法，通过最大化最差用户卸载比特数，解决非凸优化问题，相比OMA显著提升性能，适用于延迟敏感应用。
2023-10-12 cs.IT eess.SP math.IT
Physical Layer Security for NOMA-Enabled Multi-Access Edge Computing Wireless Networks
多址边缘计算（MEC）被认为是一种很有前途的增强无线网络计算能力的技术。在本文中，我们研究了MEC系统中的物理层安全性，在该系统中，多个用户基于非正交多址接入（NOMA）同时将部分计算任务卸载到基站，存在恶意窃听者。采用秘密中断概率来衡量计算卸载对窃听攻击的安全性能。我们的目标是最小化所有用户的总能耗，受保密卸载率，保密中断概率，NOMA的解码顺序方面的约束。虽然原优化问题是非凸的，具有挑战性的解决，我们提出了一个有效的算法，基于序贯凸逼近和惩罚对偶分解。数值结果验证了该算法的收敛性及其优越的能量效率与保密性要求。
2021-07-03 cs.IT eess.SP math.IT
An Application-Driven Non-Orthogonal Multiple Access Enabled Computation Offloading Scheme
为了应对应用程序对数据计算需求的前所未有的激增，已经提出了多访问边缘计算（MEC）的有前途的概念，以使网络边缘能够为移动设备（MD）提供更紧密的数据处理。由于需要迁移大量的工作负载，而MD始终保持资源受限，因此从设备到MEC服务器的数据卸载将不可避免地需要更高效的传输设计。非正交多址接入（NOMA）技术与MEC的集成已被证明可以为应用提供更低的延迟和更高的能量效率。然而，这种类型的现有设计主要集中在传输技术上，这仍然是不够的。为了进一步提高卸载性能，在这项工作中，我们提出了一个应用程序驱动的NOMA启用计算卸载方案，通过探索应用程序的特点，其中应用程序的公共数据是通过多设备合作卸载。在成功卸载公共数据的前提下，我们将问题表示为单个卸载吞吐量的最大化，其中时间分配和功率控制联合优化。通过使用逐次凸逼近（SCA）方法，制定的问题可以迭代求解。仿真结果证明了该方法的收敛性和所提方案的有效性。
2020-08-12 cs.IT eess.SP math.IT
Computation Efficiency Maximization in Wireless-Powered Mobile Edge Computing Networks
节能计算是移动边缘计算（MEC）网络的必然趋势。最大化计算效率的资源分配策略是至关重要的。在本文中，计算效率最大化问题制定在无线供电的MEC网络下的部分和二进制计算卸载模式。考虑了一个实用的非线性能量收集模型。时分多址接入（TDMA）和非正交多址接入（NOMA）都被考虑和评估用于卸载。在最大-最小公平准则下，对能量收集时间、局部计算频率、卸载时间和功率进行联合优化，以最大化计算效率.分别提出了两种迭代算法和两种替代优化算法来解决本文所述的非凸问题。仿真结果表明，所提出的资源分配方案优于基准方案的用户公平性。此外，阐明了可实现的计算效率和计算位的总数之间的折衷。仿真结果表明，部分计算卸载模式优于二进制计算卸载模式，NOMA优于TDMA的计算效率。
2020-02-11 cs.IT eess.SP math.IT
NOMA-Aided Mobile Edge Computing via User Cooperation
在移动边缘计算（MEC）系统中，利用移动设备的空闲计算资源可以实现信道分集和计算分集，因为除了MEC服务器嵌入式接入点（AP）之外，移动设备还可以将其计算任务卸载到附近的移动设备。在本文中，我们提出了一个非正交多址（NOMA）辅助的合作计算计划在一个基本的三节点MEC系统组成的用户，助手，和AP。特别是，我们假设用户可以使用NOMA同时将数据卸载到助手和AP，而助手可以同时在本地计算数据并将数据卸载到AP。我们研究两个优化问题，能源消耗最小化和卸载数据最大化，通过联合通信和计算资源分配的用户和助手。通过适当的数学方法，我们找到了这两个非凸问题的最优解。仿真结果证明了所提出的方案的有效性。为实际设计提供了一些有益的启示。
2019-12-31 cs.IT math.IT
Exploiting NOMA for UAV Communications in Large-Scale Cellular Networks
本文提出了一对无人机通信中的非正交多址接入（NOMA）策略，其中多个无人机作为新的空中通信平台为地面NOMA用户提供服务。提出了一种基于随机几何技术的多无人机系统框架，该框架考虑了两种实用策略：1）以无人机为中心的卸载策略和2）以用户为中心的应急通信策略。为了为拟议的NOMA辅助无人机框架提供实用见解，考虑了不完美连续干扰消除（ipSIC）场景。对于以无人机为中心的策略和以用户为中心的策略，我们得到了新的精确表达式的覆盖概率。我们还得到新的分析结果，正交多址接入（OMA）提供一个基准计划。在以用户为中心的策略和以无人机为中心的策略推导的分析结果明确表明，ipSIC系数是一个占主导地位的组成部分，在覆盖概率。仿真结果表明：在以用户为中心的策略和以无人机为中心的策略下，NOMA辅助的无人机蜂窝网络通过合理设置功率分配因子和目标速率，能够获得优于OMA的性能; NOMA辅助的无人机蜂窝网络的覆盖概率在很大程度上受配对NOMA用户的ipSIC系数、目标速率和功率分配因子的影响。
2019-07-11 cs.IT math.IT
Energy-Efficient Optimization of Multi-User NOMA-Assisted Cooperative THz-SIMO MEC Systems
提出多用户NOMA辅助协作THz-SIMO MEC系统节能方案，通过优化用户配对、波束成形、时间及功率分配，最小化能耗并最大化计算能效。
2023-04-08 cs.IT eess.SP math.IT
Latency-Aware Uplink NOMA-MEC with PASS: A Feasibility-First Resource Allocation Framework
Iran University of Science and Technology (IUST)（伊朗理工大学）；University of Toronto（多伦多大学）；Great Bay University（大湾区大学）
本文针对PASS服务的上行NOMA-MEC系统，提出可行性优先的时延感知资源分配框架，推导闭式最小功率可行性测试与单调收敛的三模块交替优化算法，可在高用户负载下维持截止期限可行性。
2026-10-14 cs.IT math.IT
Joint Data Compression, Secure Multi-Part Collaborative Task Offloading and Resource Assignment in Ultra-Dense Networks
针对超密集网络中的干扰与能耗问题，提出一种结合OFDMA与NOMA的联合优化方法，并设计自适应遗传水波优化算法在满足延迟与安全约束下最小化全网能耗。
2024-10-16 cs.IT math.IT
Secure Collaborative Computation Offloading and Resource Allocation in Cache-Assisted Ultra-Dense IoT Networks With Multi-Slope Channels
本文针对缓存辅助超密集物联网MEC网络，提出一种结合OFDMA、NOMA与基站分簇的安全计算卸载方案，并开发FIHAS算法以在严格时延和成本约束下最小化设备能耗。
2024-10-21 cs.IT math.IT
Energy-Efficient Joint Offloading and Wireless Resource Allocation Strategy in Multi-MEC Server Systems
移动边缘计算（MEC）是一种新兴的范例，移动设备可以将计算密集型或延迟关键型任务卸载到附近的MEC服务器，从而节省能源并延长电池寿命。与云服务器不同，MEC服务器是部署在无线接入点的小型数据中心，因此对无线电和计算资源高度敏感。在本文中，我们考虑了一个正交频分复用接入（OFDMA）的多用户和多MEC服务器系统，其中的任务卸载策略和无线资源分配联合研究。针对延迟关键型应用，以总能耗最小为目标，提出了联合卸载和资源分配策略。通过双层优化方法，将原NP难问题解耦为下层的功率和子载波分配问题和上层的任务卸载问题。仿真结果表明，与传统的调度算法相比，该算法在能量节省和成功卸载概率（SOP）方面具有优异的性能。
2018-03-20 cs.IT math.IT
Joint Mobility Control and MEC Offloading for Hybrid Satellite-Terrestrial-Network-Enabled Robots
受益于通信和智能技术的融合，网络机器人已经成为支持未来机器辅助和无人驾驶应用的重要工具。为了在广阔的区域内为机器人提供高质量的服务，星地混合网络是一项关键技术。通过混合网络，计算密集型和延迟敏感型任务可以卸载到移动边缘计算（MEC）服务器。然而，由于移动机器人的移动性和不可靠的无线网络环境，过多的本地计算和频繁的服务迁移可能会显着增加服务延迟。为了解决这个问题，本文的目的是最大限度地减少平均任务完成时间MEC为基础的卸载启动的卫星地面网络使能的机器人。与传统的移动感知方案不同，该方案通过联合考虑机器人的移动控制来做出卸载决策。提出了一个任务卸载和速度控制的联合优化问题。利用李亚普诺夫优化方法，将原优化问题分解为速度控制子问题和任务卸载子问题。然后，基于马尔可夫决策过程（MDP），提出了一种双智能体强化学习（RL）算法。对改进RL算法的收敛性和复杂度进行了理论分析，仿真结果表明，该方案能有效降低卸载延迟。
2023-03-29 cs.IT math.IT
An Integrated Optimization-Learning Framework for Online Combinatorial Computation Offloading in MEC Networks
移动边缘计算（MEC）是一种很有前途的范例，可以适应5G系统中日益繁荣的延迟敏感和计算密集型应用。为了在动态MEC环境中实现最佳计算性能，移动设备通常需要在未来系统信息的不确定性（例如，随机无线信道增益和任务到达）。设计一个有效的在线卸载算法是具有挑战性的。一方面，快速变化的边缘环境需要频繁地求解整数卸载决策和连续资源分配变量强耦合的硬组合优化问题。另一方面，未来系统状态的不确定性使得在线决策难以满足长期系统约束。为了应对这些挑战，本文概述了现有的方法，并介绍了一种新的框架，有效地集成了基于模型的优化和无模型学习技术。此外，我们提出了一些有前途的未来研究方向的在线计算卸载控制的MEC网络。
2021-10-07 cs.IT math.IT
Multiuser Computation Offloading and Downloading for Edge Computing with Virtualization
移动边缘计算（MEC）是一种新兴技术，用于通过将复杂的计算任务卸载到附近的服务器来增强移动设备的计算能力并降低其能耗。服务器上的多用户MEC通过基于虚拟化的并行计算被广泛实现。由于虚拟机共享的I/O资源有限，虚拟机之间的干扰（称为I/O干扰）会降低计算性能。在本文中，我们研究的问题，联合无线电和计算资源分配（RCRA）的多用户MEC系统中存在的I/O干扰。具体而言，卸载调度算法的设计目标是两个系统性能指标：卸载吞吐量最大化和移动能量消耗最小化。他们的设计被公式化为非凸混合整数规划问题，该问题考虑了由于卸载、结果下载和并行计算而引起的延迟。一组低复杂度的算法设计的基础上的分解方法，并利用经典技术的组合优化。由此产生的算法联合调度卸载用户，控制他们的卸载大小，并划分时间的通信（卸载和下载）和计算。它们要么是最优的，要么可以达到接近最优的模拟。综合仿真结果表明，考虑I/O干扰可以赋予对性能下降因素的卸载控制器的鲁棒性。
2018-11-19 cs.IT math.IT
Joint Task Offloading Scheduling and Transmit Power Allocation for Mobile-Edge Computing Systems
移动边缘计算（MEC）通过将计算密集型任务从移动设备迁移到附近的MEC服务器来提供具有高计算要求的移动服务，已经成为一种突出的技术。为了降低执行延迟和设备能耗，本文针对多任务MEC系统，联合优化任务卸载调度和发射功率分配。提出了一种基于交替最小化的低复杂度次优算法，以最小化执行延迟和设备能耗的加权和。具体地，给定发射功率分配，最优任务卸载调度，即，确定卸货顺序的方法。此外，最佳的发射功率分配与给定的任务卸载调度决策将使用凸优化技术确定。仿真结果表明，当MEC系统中可用的无线电和计算资源相对平衡时，任务卸载调度更为关键。此外，它表明，该算法实现了近最佳的执行延迟，以及大量的设备节能。
2017-01-18 cs.IT math.IT
Price-Based Distributed Offloading for Mobile-Edge Computing with Computation Capacity Constraints
移动边缘计算（MEC）通过将计算任务从无线设备卸载到网络边缘来实现实时信息传输和计算，是一种很有前途的技术。
2017-12-02 cs.IT math.IT
Energy-Efficient Resource Allocation for Mobile-Edge Computation Offloading (Extended Version)
移动边缘计算卸载（MECO）将密集的移动计算卸载到位于蜂窝网络边缘的云。因此，MECO被设想为延长电池寿命和增强移动设备的计算能力的有前途的技术。本文研究了基于时分多址（TDMA）和正交频分多址（OFDMA）的多用户MECO系统的资源分配问题。首先，针对具有无限或有限计算能力的TDMA MECO系统，将最优资源分配问题转化为一个凸优化问题，即在计算时延约束下，最小化加权和移动能耗。最优策略被证明有一个基于阈值的结构相对于导出的卸载优先级函数，它产生的优先级用户根据他们的信道增益和本地计算能耗。因此，具有高于和低于给定阈值的优先级的用户分别执行完全卸载和最小卸载。此外，针对云计算容量有限的情况，提出了一种次优资源分配算法，降低了阈值计算的复杂度。接下来，我们考虑OFDMA MECO系统，其中最优资源分配被公式化为非凸混合整数问题。为了解决这个具有挑战性的问题，并描述其策略结构，一个次优的低复杂度算法，提出了通过转换OFDMA问题，其TDMA对应。相应的资源分配是通过定义一个平均卸载优先级函数，并通过仿真显示具有接近最优的性能。
2016-11-28 cs.IT math.IT
Multiuser Resource Allocation for Mobile-Edge Computation Offloading
移动边缘计算卸载（MECO）将密集的移动计算卸载到位于蜂窝网络边缘的云。因此，MECO被设想为延长电池寿命和增强移动设备的计算能力的有前途的技术。在本文中，我们考虑资源分配的MECO系统，包括多个用户的时间共享一个单一的边缘云，并有不同的计算负载。最优资源分配被公式化为凸优化问题，用于在计算延迟的约束下最小化加权和移动能量消耗，并且用于无限和有限边缘云计算能力的情况。最优策略被证明有一个基于阈值的结构相对于导出的卸载优先级函数，它产生的优先级用户根据他们的信道增益和本地计算能耗。因此，具有高于和低于给定阈值的优先级的用户分别执行完全卸载和最小卸载。计算阈值需要迭代计算。为了降低复杂度，提出了一种次优的资源分配算法，并通过仿真表明，具有接近最优的性能。
2016-04-09 cs.IT math.IT
Energy Efficient Reconfigurable Intelligent Surface Enabled Mobile Edge Computing Networks with NOMA
可重构智能表面（RIS）是未来无线通信网络中实现高频谱效率和高能量效率的一种很有前途的技术。在本文中，我们研究了一个RIS辅助的单小区多用户移动边缘计算（MEC）系统，其中RIS被部署为支持配备MEC服务器的基站（BS）和多个单天线用户之间的通信。为了有效地利用稀缺的频率资源，我们假设用户与基站通信的基础上的非正交多址接入（NOMA）协议。每个用户都有一个计算任务，可以在本地计算，也可以部分/全部卸载到BS。我们的目标是通过联合优化无源移相器，传输数据的大小，传输速率，功率控制，传输时间和解码顺序，以最小化所有用户的总能耗。由于所得到的问题是非凸的，我们使用块坐标下降法交替优化两个单独的子问题。更具体地说，我们使用的对偶方法来解决一个子问题与给定的相移，并获得封闭形式的解决方案，然后我们利用惩罚的方法来解决另一个子问题给定的功率控制。此外，为了证明我们所提出的算法的有效性，我们提出了三个基准计划：时分多址（TDMA）-MEC计划，全本地计算计划和全卸载计划。我们使用交替一维搜索方法和对偶方法，可以很好地解决基于TDMA的传输问题。数值结果表明，该方案可以提高能源效率，并取得显着的性能增益比三个基准计划。
2021-04-30 cs.IT eess.SP math.IT
Distributed Joint Offloading Decision and Resource Allocation for Multi-User Mobile Edge Computing: A Game Theory Approach
由于小小区网络中的频谱复用，小区间干扰对MEC的性能有很大的影响。为了降低MEC的能耗和时延，提出了一种基于博弈论的多用户MEC联合卸载决策和资源分配算法。该算法联合确定发射功率、卸载决策和移动用户的CPU能力。我们证明了该对策是一个正合势对策，并且该对策的NE存在且唯一。为了到达NE，应用最佳响应动态。我们计算这三个变量的最佳对策。此外，我们研究了该算法的性质，包括收敛性，计算复杂度，以及无政府代价。理论分析表明，小区间干扰对MEC的性能有很大的影响。这个博弈的NE是帕累托有效的，也是所提出的最优问题的全局最优解。最后，我们通过仿真来评估该算法的性能。仿真结果表明，该算法对提高多用户MEC系统的性能是有效的。
2018-05-06 cs.IT math.IT
Dynamic Offloading Loading Optimization in distributed Fault Diagnosis system with Deep Reinforcement Learning Approach
随着诊断数据的爆炸式增长，人工智能和分布式算法在机械故障诊断中得到了广泛的应用。提出了一种新的智能故障诊断系统框架，该框架允许智能终端将计算任务卸载到移动边缘计算（MEC）服务器上，能够有效解决任务处理延迟和计算复杂性增加的问题。由于MEC和智能终端处的资源有限，因此进行合理的资源分配优化可以提高性能，特别是对于多终端卸载系统。在这项研究中，为了最大限度地减少任务的计算延迟，我们共同优化本地内容分割比，传输/计算功率分配，和MEC服务器的选择在一个动态的环境下，随机任务到达。将具有挑战性的动态联合优化问题转化为强化学习（RL）问题，设计计算卸载策略以最小化长期平均延迟成本。采用深度Q学习网络（DQN）和深度确定性策略梯度（DDPG）两种深度强化学习策略，自适应高效地学习计算卸载策略。建议的DQN策略采取MEC选择作为一个独特的行动，同时使用凸优化方法来获得本地内容分割比和传输/计算功率分配。同时，DDPG策略的动作被选择为所有动态变量，包括本地内容分割比、传输/计算功率分配和MEC服务器选择。数值结果表明，这两种策略的性能优于传统的非学习计划。
2023-02-15 cs.IT math.IT
Digital Twin Assisted Task Offloading for Aerial Edge Computing and Networks
考虑用户的移动性和不可预测的移动边缘计算（MEC）环境，研究了基于数字孪生（DT）的无人机（UAV）MEC智能任务卸载问题。我们的目标是最大限度地减少整个MEC系统的能量消耗，通过联合优化移动终端用户（MTU）的关联，无人机轨迹，传输功率分配和计算能力分配，同时尊重任务的最大处理延迟的约束。具体而言，首次提出了源于深度强化学习的双深度Q网络（DDQN）算法，以有效解决MTU关联和无人机轨迹问题。然后，该封闭表达式被用来处理传输功率分配问题，并通过迭代算法进一步解决计算容量分配问题。数值结果表明，我们提出的计划是能够收敛，并显着降低MEC系统的总能耗相比，基准计划。
2022-07-09 cs.IT math.IT
Latency Optimization for Resource Allocation in Mobile-Edge Computation Offloading
通过将密集的计算任务卸载到位于蜂窝基站的边缘云，移动边缘计算卸载（MECO）已被视为实现第五代网络雄心勃勃的毫秒级端到端延迟要求的有前途的手段。在本文中，我们研究的延迟最小化问题，在多用户时分多址MECO系统与联合通信和计算资源分配。研究了三种不同的计算模型，即，局部压缩、边缘云压缩和部分压缩卸载。首先，推导了局部云压缩模型和边缘云压缩模型的最优资源分配和最小系统延迟的闭合表达式。然后，对于部分压缩卸载模型，我们提出了一个分段优化问题，并证明了最优数据分割策略具有分段结构。在此基础上，提出了一种通信与计算联合资源分配优化算法。为了获得更多的见解，我们还分析了一个特定的情况下，通信资源是足够的，而计算资源是有限的。在这种特殊情况下，可以导出分段优化问题的封闭形式解。最后通过数值实验验证了本文提出的算法的有效性，实验结果表明，新的部分压缩卸载模型能够显著降低端到端延迟。
2017-04-01 cs.IT math.IT
Task Offloading for Large-Scale Asynchronous Mobile Edge Computing: An Index Policy Approach
移动边缘计算（MEC）将计算任务从无线设备卸载到网络边缘，并实现实时信息传输和计算。现有的大多数工作涉及一个小规模的同步MEC系统。在本文中，我们专注于一个大规模的异步MEC系统的随机任务到达，不同的工作负载，和不同的截止日期。我们制定的卸载政策设计为一个不安分的多臂强盗（RMAB），以最大限度地提高总折扣奖励的时间跨度。然而，制定的RMAB是一个PSPACE硬顺序决策问题，这是棘手的。为了解决这个问题，通过利用惠特尔指数（WI）理论，我们严格建立WI可索引性，并得出一个可扩展的封闭形式的解决方案。因此，在我们的WI策略中，每个用户只需要计算其WI并将其报告给BS，并且具有最高指数的用户被选择用于任务卸载。此外，当任务完成率成为焦点，较短的松弛时间少剩余工作量（STLW）的优先级规则被引入到WI策略的性能改善。当用户卸载能源消耗的知识是不可用的卸载之前，我们开发贝叶斯学习支持WI政策，包括最大似然估计，贝叶斯学习共轭先验，和先验交换技术。仿真结果表明，所提出的策略显着优于其他现有的政策。
2020-12-16 cs.IT math.IT
Resource Allocation in Full-Duplex Mobile-Edge Computing Systems with NOMA and Energy Harvesting
该文研究了一种具有非正交多址接入（NOMA）和能量收集（EH）的全双工（FD）移动边缘计算（MEC）系统，其中一组用户通过NOMA同时将任务数据卸载到基站（BS），而基站通过FD同时接收数据并向另一组用户广播能量。我们的目标是通过功率控制，时间调度和计算能力分配的系统的总能耗最小化。为了解决这个非凸问题，我们首先将其转化为一个等价的问题，较少的变量。等价的问题被证明是凸的，在每个向量与其他两个向量固定，这使我们能够设计一个迭代算法具有较低的复杂性。仿真结果表明，该算法比传统的方法具有更好的性能。
2018-07-31 cs.IT math.IT
Dynamic Computation Offloading for Mobile-Edge Computing with Energy Harvesting Devices
移动边缘计算（MEC）是一种新兴的范式，以满足不断增长的计算需求的移动应用。通过将计算密集型工作负载卸载到MEC服务器，计算体验的质量，例如，执行延迟可以大大改善。然而，由于设备上的电池容量有限，当电池能量耗尽时，计算将中断。为了提供令人满意的计算性能以及实现绿色计算，通过能量收集（EH）技术寻求可再生能源来为移动设备供电具有重要意义。在本文中，我们将研究一个绿色MEC系统与EH设备和开发一个有效的计算卸载策略。执行成本，它解决了执行延迟和任务失败，采用作为性能指标。提出了一种低复杂度的在线算法，即基于李雅普诺夫优化的动态计算卸载（LODCO）算法，该算法联合决定卸载决策、移动执行的CPU周期频率和计算卸载的发射功率。该算法的一个独特的优点是，决策只依赖于瞬时边信息，而不需要计算任务请求，无线信道和EH过程的分布信息。该算法的实现只需要在每个时隙内求解一个确定性问题，其最优解既可以以封闭形式求得，也可以通过对分搜索求得。此外，通过严格的分析表明，该算法是渐近最优的。最后通过实例仿真验证了理论分析的正确性和算法的有效性。
2016-05-18 cs.IT math.IT
Optimal Pricing for Job Offloading in the MEC System with Two Priority Classes
多接入边缘计算（MEC）是一种新兴的范例，其中用户将计算密集型工作卸载到接入点（AP）。考虑到AP的资源由自私的用户共享，定价是激励用户将他们对其他用户造成的延迟的负外部性内在化的有用工具。然而，不同的用户对延迟有不同的负面评价，因为有些用户对延迟更敏感。为了服务于异构用户，我们提出了一个优先级定价方案，用户可以得到服务的第一个更高的价格。我们的目标是找到这样的价格，在决策中，用户将选择类和卸载频率，共同最大化社会福利。在假设AP知道用户的利润函数的情况下，我们以半封闭的形式导出了最优价格。然而，在实践中，用户的利润信息的报告引起大的信令开销。此外，在现实中，用户可能会错误地报告他们的私人利润信息。为了克服这一点，我们进一步提出了一个基于学习的定价机制，不需要个人用户的利润函数的知识。在均衡时，学习最优价格和平均边缘延迟，并且用户已经选择了正确的优先级类别并以社会最优频率卸载。
2020-08-30 cs.IT math.IT
Energy-Efficient Resource Allocation for NOMA enabled MEC Networks with Imperfect CSI
非正交多址接入（NOMA）和移动边缘计算（MEC）的结合，可以显著提升超过第五代网络的频谱效率。在本文中，我们主要集中在能量有效的资源分配的多用户，多BS NOMA辅助MEC网络与不完善的信道状态信息（CSI），其中每个用户可以上传其任务到多个基站（BS）的远程执行。为了最小化能量消耗，我们考虑联合优化任务分配，功率分配和用户关联。作为主要的贡献，不完美CSI，任务分配和功率分配的最佳封闭形式的表达式解析推导出两个基站的情况下。具体来说，原来制定的问题是非凸的。我们首先将概率问题转化为非概率问题。随后，提出了一种双层规划方法来获得最优解。此外，通过将匹配算法与最优任务和功率分配，我们提出了一个低复杂度的算法，以有效地优化用户关联的多用户和多基站的情况下。仿真结果表明，该算法不仅比传统的OMA方案具有更好的性能，而且在基站数较少的情况下，具有更低的穷举搜索复杂度和相同的搜索结果。
2020-09-14 cs.IT eess.SP math.IT
Secrecy Offloading Rate Maximization for Multi-Access Mobile Edge Computing Networks
这封信考虑了一个由多个用户、多个基站和一个恶意窃听者组成的多接入移动边缘计算（MEC）网络。具体地说，用户采用部分卸载策略，将计算任务划分为几个部分。一个在本地执行，其他的通过利用物理层安全性来对抗窃听而安全地卸载到集成到基站中的多个MEC服务器。我们联合优化功率分配，任务划分，子载波分配，和计算资源，以最大限度地提高用户的秘密卸载率，通信和计算资源的约束。数值结果表明，与两个基准方案相比，该方案的秘密卸载率分别提高了1.11%-1.39%和15.05%-17.35%（相对于任务延迟需求的增加），以及1.30%-1.75%和6.08%-9.22%（相对于最大发射功率的增加）。此外，它进一步强调了在多个MEC服务器上进行计算卸载的必要性。
2021-09-21 cs.IT eess.SP math.IT
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
Closed-Form Delay-Optimal Computation Offloading in Mobile Edge Computing Systems
移动边缘计算（MEC）是近年来新兴的一种解决计算密集型应用和资源有限的移动终端（MT）之间矛盾的技术。本文研究了计算受限MEC系统中的延迟优化计算卸载问题。我们考虑MEC服务器的计算任务队列，由于其有限的计算能力。在这种情况下，MT和MEC服务器上的任务队列以级联方式强耦合，这产生了复杂的相互依赖性，并带来了新的技术挑战。我们将计算卸载问题建模为一个无限时域平均代价马尔可夫决策过程（MDP），并将其近似为一个具有反射的虚拟连续时间系统（VCTS）。与现有的大多数工作不同，我们开发了动态瞬时速率估计，用于在不同的情况下推导出封闭形式的近似优先级函数。基于近似的优先级函数，我们提出了一个封闭形式的多级注水计算卸载解决方案，不仅表征本地队列状态信息（LQSI）的影响，但也远程队列状态信息（RQSI）。扩展提供了从单MT单MEC服务器场景到多个MT多MEC服务器场景，并得出了一些见解。仿真结果表明，该方案的性能优于传统方案.
2019-06-24 cs.IT eess.SP math.IT
IRS Aided MEC Systems with Binary Offloading: A Unified Framework for Dynamic IRS Beamforming
在本文中，我们开发了一个统一的动态智能反射面（IRS）波束成形框架，以提高IRS辅助移动边缘计算（MEC）系统的总计算速率，其中每个设备都遵循二进制卸载策略。具体地，每个设备的任务必须在本地执行，或者在给定数量的可用IRS波束成形向量的帮助下整体卸载到MEC服务器。通过灵活地控制IRS重新配置次数，系统可以实现性能和相关信令开销之间的平衡。我们的目标是通过联合优化每个设备的计算模式选择，卸载时间分配和IRS波束成形向量来最大化总计算速率。由于所产生的优化问题是非凸的和NP-难的，通常没有标准的方法来最佳地解决它。为了解决这个问题，我们首先提出了一种基于惩罚的逐次凸近似算法，在该算法中，内层迭代中的所有相关变量同时被优化，并且保证得到的解是局部最优的.然后，我们进一步推导出卸载激活条件，为每个设备通过深入利用原始优化问题的内在结构。根据卸载激活条件，提出了一种基于逐次求精法的低复杂度算法，以获得高质量的解，该算法更适合于具有大量器件和IRS元件的实际系统。此外，所提出的低复杂度算法的最佳条件被揭示。数值结果表明，我们提出的算法的有效性，也揭示了基本的性能和成本的权衡所提出的动态IRS波束形成框架。
2022-05-29 cs.IT eess.SP math.IT
Deep Reinforcement Learning for Backscatter-Aided Data Offloading in Mobile Edge Computing
无线网络优化已经变得非常具有挑战性的问题的规模和复杂性大大增加，由于异构的服务和资源需求的网络实体之间的紧密耦合。深度强化学习（Deep Reinforcement Learning，DRL）通过不断与环境交互，为不同的网络实体提供了一种构建知识、自主决策的机制，从而提高网络性能。在本文中，我们首先回顾典型的DRL方法和最近的增强。然后，我们讨论了DRL在移动边缘计算（MEC）中的应用，该应用可用于低功耗物联网设备，例如，医疗保健监测中的无线传感器，将计算工作负载卸载到附近的MEC服务器。为了平衡卸载和计算中的功耗，我们提出了一种新的混合卸载模型，该模型利用RF通信和低功率反向散射通信的互补操作。DRL框架，然后定制优化传输调度和工作负载分配在两种通信技术，这是提高卸载性能显着相比，现有的计划。
2020-01-28 cs.IT eess.SP math.IT
Multi-hop Relaying with Mixed Half and Full Duplex Relays for Offloading to MEC
本文研究能量受限设备通过多跳中继向MEC服务器卸载计算任务的问题，提出混合半双工与全双工的多跳中继方案，证明问题为凸优化问题，并在任务按时完成概率和能耗方面均优于现有方案。
2024-01-12 cs.IT cs.NI math.IT
Computation Offloading in Heterogeneous Mobile Edge Computing with Energy Harvesting
能量收集辅助移动边缘计算（MEC）因其在计算密集型、延迟敏感型和高能耗场景中的广泛应用而备受关注。本文从博弈论的角度研究了在具有能量收集的异构MEC系统中，从多MD到多MEC-s的计算卸载问题。目标是最小化MD的平均响应时间，该平均响应时间包括通信时间、等待时间和处理时间。建立了MDs和MEC-ss的M/G/1模型。该算法考虑了MD之间的干扰、计算任务生成的随机性、能量到达的随机性、无线信道状态、MEC的延迟以及MD的功率预算约束。建立了一个非合作计算卸载博弈模型。给出了纳什均衡（NE）的定义和存在性分析。此外，我们重建的MD的优化问题。提出并执行了2步分解。因此，我们得到一个一维搜索问题和一个大大缩小的子问题。通过求其KKT条件的有限个解，可以得到子问题的最优解。在此基础上，设计了一种面向NE的分布式迭代最佳反应算法。仿真结果验证了算法的收敛性能和参数效应。
2020-04-17 cs.IT eess.SP math.IT
Computation Offloading in the Untrusted MEC-aided Mobile Blockchain IoT System
在支持移动区块链的物联网（IoT）系统中部署移动边缘计算（MEC）服务器是提高系统性能的一种很有前途的方法，然而，它对MEC服务器的信任提出了重大挑战。为了解决这个问题，我们首先在移动区块链网络中提出了一个不可信的MEC工作证明方案，其中大量的随机数哈希计算需求可以卸载到MEC服务器。然后，我们设计了一个随机数排序算法，该方案提供更公平的计算资源分配的所有移动物联网设备/用户。具体来说，我们将用户的随机数选择策略制定为非合作博弈，在不可信MEC辅助的移动区块链网络中，个体用户的效用最大化。我们还证明了纳什均衡的存在性，并分析了合作行为是不适合的区块链使能的物联网设备使用重复博弈。最后，我们设计了区块链的难度调整机制，以确保在很长一段时间内稳定的区块时间。
2019-11-19 cs.IT cs.NI math.IT
Fast Grant Learning-Based Approach for Machine Type Communications with NOMA
Concordia University（康考迪亚大学）
在本文中，我们提出了一个非正交多址（NOMA）为基础的通信框架，允许机器类型的设备（MTD）访问网络，同时避免拥塞。所提出的技术是一种2步机制，首先采用快速上行链路授权来调度设备，而无需向基站（BS）发送请求。其次，以分布式方式采用NOMA配对以减少信令开销。由于BS在大规模场景中收集信息的能力有限，学习技术最适合此类问题。因此，采用多臂Bandit学习来调度快速授权MTD。然后，约束随机NOMA配对，提出了帮助解耦的两个主要挑战的快速上行链路授权方案，即，活动集预测和最优调度。使用NOMA，我们能够显着减少由于预测误差造成的资源浪费。此外，结果表明，该方案可以很容易地达到不切实际的最佳OMA性能，在可实现的回报，在一个负担得起的复杂度。
2020-08-31 cs.IT cs.LG math.IT
Wireless Powered Mobile Edge Computing: Offloading Or Local Computation?
移动边缘计算（MEC）和无线电力传输是可以帮助实现下一代无线网络的技术，下一代无线网络将部署大量计算和能量有限的设备。在这封信中，我们考虑一个点对点MEC系统，其中设备从接入点（AP）发送的信号中获取能量，为任务的卸载和/或本地计算提供动力。通过考虑能量收集的非线性，我们提供了成功计算的概率和成功计算的位的平均数的解析表达式。我们的研究结果表明，部分卸载和本地计算的混合计划并不总是有效的。具体地，卸载和/或本地计算的决定取决于系统的参数，诸如到AP的距离和需要计算的比特数。
2020-08-17 cs.IT eess.SP math.IT
