ECAS-ML: Edge Computing Assisted Adaptation Scheme with Machine Learning for HTTP Adaptive Streaming
随着移动网络中的视频流传输业务的增加,改进内容递送过程变得至关重要,例如,利用边缘计算支持。在边缘节点,我们可以部署自适应比特率(ABR)算法,更好地了解网络行为并访问无线电和播放器指标。在这项工作中,我们提出了ECAS-ML,边缘辅助自适应方案的HTTP自适应流与机器学习。ECAS-ML专注于管理比特率、段切换和停顿之间的权衡,以实现更高的体验质量(QoE)。为此,我们使用机器学习技术来分析无线电吞吐量轨迹并预测算法的最佳参数,以实现更好的性能。实验结果表明,ECAS-ML算法优于其他基于客户端和基于边缘的ABR算法。
2022-01-12 cs.MM cs.NI
An Edge-powered Approach to Assisted Driving
互联汽车的汽车服务是新一代移动网络和边缘计算范式的主要应用领域之一。在本文中,我们研究了一个系统架构,集成了分布式车辆网络与网络边缘,以优化车辆行驶时间。然后,我们提出了一个基于共享的系统模型,允许优化的车辆流量,我们显示其适用性的两个相关的服务,即,车道变换/合并(代表合作辅助驾驶)和导航。此外,我们引入了一个高效的算法,称为瓶颈狩猎(BH),能够制定高质量的流策略在线性时间。我们通过一个全面而现实的仿真框架,结合NS-3和相扑的建议系统架构和BH的性能进行评估。在真实场景下得出的结果表明,我们的解决方案提供的旅行时间比单个车辆做出决策时要短得多。
2020-08-21 cs.NI
Federated Learning Assisted Edge Caching Scheme Based on Lightweight Architecture DDPM
针对边缘缓存中需兼顾隐私保护与缓存命中率提升的问题,提出基于轻量架构LDPM的联邦学习辅助边缘缓存方案,仿真验证其比现有FL方法和基线方法缓存命中率更高。
2025-06-14 cs.NI eess.SP
EDOS: Edge Assisted Offloading System for Mobile Devices
将资源密集型工作卸载到云和附近的用户是增强移动设备的一种有前途的方法。本文研究了一种混合卸载系统,同时考虑基于基础设施的网络和Ad-hoc网络的范围。具体来说,我们提出了EDOS,边缘辅助卸载系统,由两个主要组成部分,边缘助理(EA)和卸载代理(OA)。EA在路由器/塔上运行以管理注册的远程云服务器和本地服务提供商,OA在用户的设备上运行以发现附近的服务。我们提出了一套系统的协议来收集潜在的服务提供商和算法来分配任务,根据用户指定的约束。为了评估EDOS,我们在商业移动设备上对其进行原型设计,并在小规模测试平台上进行实验和模拟。结果表明,EDOS是有效的和高效的卸载作业。
2021-12-10 cs.NI
A Survey on Security and Privacy Issues in Edge Computing-Assisted Internet of Things
物联网(IoT)是一种创新的范式,旨在提供大量的应用程序,这些应用程序现在已经成为我们日常生活的一部分。数以百万计的智能设备部署在复杂的网络中,以提供包括通信、监控和控制关键基础设施在内的充满活力的功能。然而,物联网设备的大规模增长以及在网络边缘产生的相应的巨大数据流量,由于带宽和资源稀缺,给最先进的集中式云计算范式带来了额外的负担。因此,边缘计算(EC)正在成为一种创新战略,将数据处理和存储带到终端用户附近,从而产生所谓的EC辅助物联网。虽然这种模式提供了独特的功能和增强的服务质量(QoS),但它也在数据安全和隐私方面引入了巨大的风险。本文对EC辅助物联网背景下的安全和隐私问题进行了全面调查。特别是,我们首先概述了EC辅助物联网,包括定义,应用,架构,优势和挑战。其次,我们在EC辅助物联网的背景下定义安全和隐私。然后,我们广泛讨论了EC辅助物联网中的主要攻击分类,并提供了可能的解决方案和对策以及相关的研究工作。在此之后,我们进一步分类的一些安全和隐私问题,在文献中讨论的基础上的安全服务和安全目标和功能的基础上。最后,还广泛提供了安全EC辅助物联网范式的几个开放挑战和未来的研究方向。
2020-08-05 cs.CR cs.NI
Edge-powered Assisted Driving For Connected Cars
联网汽车的辅助驾驶是5G及以上网络应支持的主要应用之一。在这项工作中,我们提出了一个辅助驾驶系统,利用联网车辆和网络基础设施边缘之间的协同作用,以设想可以有效推动本地决策的全球交通政策。本地决策涉及单个车辆,例如,哪辆车应该执行车道变换操作以及何时执行;全局决策涉及整个交通流。这些决策由不同的实体在不同的时间尺度上做出,这些实体集成在基于边缘的架构中,可以共享信息。特别是,我们利用一个基于调度的模型,并制定了一个优化问题,使全球交通流量的决定。为了应对问题的复杂性,我们开发了一个迭代的,线性的时间复杂度算法称为瓶颈狩猎(BH)。我们展示了我们的解决方案的性能,使用一个现实的模拟框架,集成了Python引擎与ns-3和SUMO,并考虑两个相关的服务,即车道变换辅助和导航,在现实世界的情况下。结果表明,我们的解决方案导致车辆的行驶时间减少了66车道变换辅助的情况下,由20导航,相比传统的,本地协调的方法。
2021-07-06 cs.NI
Toward Optimal Performance with Network Assisted TCP at Mobile Edge
与设计蜂窝网络(CN)的分布式端到端(E2 E)TCP方案的经典时尚相比,我们探索了另一个设计空间,让CN协助传输控制的任务。我们表明,在新兴的蜂窝架构,如移动/多接入边缘计算(MEC),其中服务器位于靠近无线电接入网络(RAN),可以实现显着的改善,通过利用在RAN的逻辑集中的网络测量的性质,并通过信息,如其最小的e2 e延迟和接入链路容量到每个服务器。特别地,网络辅助模块(位于移动边缘)将与无线调度器配对,以向每个服务器提供反馈信息并促进拥塞控制的任务。为此,我们提出了两个网络辅助计划,称为NATCP(一个干净的石板设计取代TCP在终端主机)和NACubic(一个向后兼容的设计,不需要改变TCP在终端主机)。我们的初步评估,使用真正的细胞的痕迹表明,这两个计划显着优于现有的计划在单流和多流的情况下。
2019-05-22 cs.NI
PLVER: Joint Stable Allocation and Content Replication for Edge-assisted Live Video Delivery
直播服务近年来非常受欢迎。由于实时视频的尖峰流量模式,利用分布式边缘服务器来提高观众的体验质量(QoE)如今已成为一种常见的做法。然而,当前客户端驱动的内容缓存机制不支持从云到边缘的预先缓存,导致直播视频交付中大量缓存丢失。为了解决上述问题,最先进的研究通常会牺牲所传输视频的活跃度。本文结合视频直播和边缘服务器的特点,提出了一种主动的视频直播推送方案PLVER,以解决视频直播中缓存丢失的问题。具体而言,PLVER首先在边缘集群和用户组之间进行一对多的稳定分配,以平衡边缘服务器上的实时流量负载。然后采用主动式视频复制算法来加快边缘服务器之间的视频复制速度。我们进行广泛的跟踪驱动评估,覆盖30万Twitch观众和300多个Twitch频道。结果表明,与基于拍卖的复制方法和按请求时间缓存方法相比,使用PLVER,边缘服务器可以分别多承载28%和82%的流量。
2020-06-12 cs.NI
AIGC-Assisted Digital Watermark Services in Low-Earth Orbit Satellite-Terrestrial Edge Networks
本文提出将LEO卫星边缘计算与AIGC技术结合,构建星地边缘网络架构和数字水印模型,并设计基于强化学习的任务调度算法,以平衡水印生成时间与用户能耗。
2024-03-08 cs.NI
Are Turn-by-Turn Navigation Systems of Regular Vehicles Ready for Edge-Assisted Autonomous Vehicles?
未来的私人和公共交通将由自动驾驶汽车(AV)主导,这可能比普通车辆更安全。然而,确保自主功能的良好性能需要快速处理繁重的计算任务。为每个AV提供足够强大的计算资源当然是一个实用的解决方案,但可能会导致AV成本增加和行驶里程减少。研究中正在探索的另一种解决方案是在每个AV上安装低功耗计算硬件,并将繁重的任务卸载到附近强大的边缘服务器上。在这种情况下,AV的反应时间取决于在边缘服务器中完成导航任务的速度。为了减少任务完成延迟,边缘服务器必须配备足够的网络和计算资源来处理车辆需求。然而,这种需求表现出很大的时空变化。因此,在不同位置部署相同量的资源可能导致不必要的资源过度供应。考虑到这些挑战,在本文中,我们讨论了部署不同数量的资源在不同的城市地区的实际交通数据的基础上,以维持高峰与平均需求的影响。由于部署边缘资源来处理平均需求可以降低部署成本和提高系统利用率,因此我们研究了高峰时段的需求如何影响自动驾驶汽车的安全行驶时间,以及当前的逐向导航应用程序是否仍然可以提供最快的行驶路线。本文的见解和发现将激发新的研究,可以大大加快边缘辅助AV在我们社会中的部署。
2022-09-23 cs.NI
Edge Computing Assisted Autonomous Flight for UAV: Synergies between Vision and Communications
National University of Defense Technology(国防科技大学);KU Leuven(鲁汶大学);Delft University of Technology(代尔夫特理工大学)
无人机的自主飞行依赖于视觉信息来避开障碍物并确保安全无碰撞飞行。除了视觉线索外,安全的无人机通常还需要与地面站的连接。在本文中,我们研究了边缘计算支持的无人机飞行中视觉和通信之间的协同作用。通过提出边缘计算辅助自主飞行(ECAAF)框架,我们说明了视觉和通信可以在边缘计算和卸载的帮助下相互交互和辅助,并进一步加快无人机任务的完成。ECAAF由三个功能组成,详细讨论:用于3D地图采集的边缘计算,从3D地图构建无线电地图,以及在线轨迹规划。在ECAAF期间,通信容量、视频卸载、3D地图质量和轨迹的信道状态的相互作用形成正反馈回路。仿真结果表明,该方法可以通过增强连通性来提高任务性能。最后,我们总结了一些未来的研究方向。
2020-12-10 cs.NI cs.RO cs.SY
Resource Awareness in Unmanned Aerial Vehicle-Assisted Mobile-Edge Computing Systems
研究了一种无人机辅助的移动边缘计算系统,无人机为地面移动边缘计算系统提供计算资源的补充。UAV通过创建对应的虚拟机来处理从移动用户(MU)接收的计算任务。由于MEC系统中UAV的有限共享I/O资源,每个MU竞争跨决策时期调度本地以及远程任务计算,旨在最大化预期的长期计算性能。将MU之间的非合作交互建模为一个随机博弈,其中MU的决策依赖于全局状态统计,所有MU的任务调度策略是耦合的。为了近似纳什均衡解,我们提出了一种基于长短期记忆和深度强化学习(DRL)技术的主动方案。建立MEC系统的数字孪生模型以离线训练主动DRL方案。使用所提出的计划,每个MU只与自己的信息进行任务调度决策。数值实验表明,该计划的平均效用每MU在整个决策时期的显着的性能增益。
2019-11-15 cs.NI
Federated Learning Assisted Deep Q-Learning for Joint Task Offloading and Fronthaul Segment Routing in Open RAN
本文针对O-RAN中任务卸载、前传路由与边缘计算的联合优化问题,提出联邦学习辅助的深度Q学习方法,以最小化时延代价。
2023-08-14 cs.NI
Cross-Layer Assisted Early Congestion Control for Cloud VR Services in 5G Edge Network
本文针对5G网络中云VR突发流量导致基站拥塞和时延增加的问题,提出一种部署在5G边缘网络的跨层信息辅助拥塞控制机制,使满足时延标准的并发流数量提升1.5至2.5倍并保持负载平稳。
2023-07-10 cs.NI
Semantic Compression for Edge-Assisted Systems
提出了一种新的语义数据选择和压缩方法,用于“无线岛”内物联网数据处理和传输的动态适应,其中一组传感设备(传感器)通过一跳无线链路经由本地接入点互连到计算资源。所提出的技术的核心是一个合作的框架,在移动节点的本地分类器动态制作和更新的基础上观察系统的当前状态,全球处理目标和传感器和数据流的特性。边缘处理器通过在分布式系统内建立内容和操作之间的链接而发挥关键作用。局部分类器被设计为过滤数据流,并仅向边缘处理器处的全局分类器提供所需的信息,从而最小化带宽使用。然而,这些局部分类器的精度越高,在各个传感器上运行它们所需的能量就越大。提出了带宽和能量约束下的分类器的动态构造的优化问题的配方,并证明了一个合成的例子。
2017-02-20 cs.NI
Rotatable RIS-Assisted Edge Computing: Orientation, Task Offloading, and Resource Optimization
针对移动用户设备的移动边缘计算能耗问题,提出基于SAC的可旋转RIS辅助优化方案,联合优化RIS朝向、相移等策略,相比固定RIS最多降47.3%总能耗。
2025-03-21 cs.NI
Digital Twin-based 3D Map Management for Edge-assisted Device Pose Tracking in Mobile AR
针对边缘辅助移动增强现实的设备位姿跟踪需求,提出基于数字孪生的三维地图管理方案,通过数字孪生捕捉时变上行速率,结合基于模型的强化学习优化帧选择与地图更新,有效降低位姿跟踪不确定性。
2024-01-29 cs.NI
STEPS: Semantic Contract-Guided Scheduling for LLM-Assisted Natural Language-Driven Edge AI Services
Tongji University(同济大学);Western University(韦仕敦大学);University at Buffalo-SUNY(纽约州立大学布法罗分校)
提出STEPS框架,通过语义契约将用户自然语言需求转化为可执行接口,利用LLM解析服务级别和置信度,构建势博弈模型联合优化节点选择、资源分配和带宽分配,提升语义契约满足率并适应模糊请求。
2026-10-30 cs.NI
User-centric Service Provision for Edge-assisted Mobile AR: A Digital Twin-based Approach
本文提出基于数字孪生的数据驱动方法,通过优化频谱资源预留解决边缘辅助移动AR中用户移动不确定和摄像头帧上传机制复杂导致的非平稳流量问题,仿真证明其在自适应性和鲁棒性上优于传统方法。
2024-08-31 cs.NI
Edge-Assisted Congestion Control Mechanism for 5G Network Using Software-Defined Networking
为了应对与期望由普通用户和垂直行业使用的大量新兴应用和服务相关联的数据业务的爆炸性增长,拥塞控制机制被认为是至关重要的。在本文中,我们提出了一种拥塞控制机制,可以在多访问边缘计算(MEC)的框架内发挥作用。所提出的机制的目的是作出实时的决定,选择性地缓冲业务,同时考虑到网络条件和服务质量(QoS)。为了支持MEC辅助方案,MEC服务器被期望本地存储延迟容忍数据业务,直到延迟条件到期。这使得网络能够更好地控制较高优先级数据的无线电资源供应。为了实现这一点,我们引入了称为拥塞控制引擎(CCE)的专用功能,该功能可以通过无线电网络信息服务(RNIS)功能捕获无线电接入网络(RAN)状况,并使用此知识来做出选择性卸载流量的实时决策,以便其可以更智能地执行。分析评估结果表明,我们提出的机制可以更有效地缓解网络拥塞。
2021-04-01 cs.NI
Energy-Efficient Resource Allocation in Multi-UAV-Assisted Two-Stage Edge Computing for Beyond 5G Networks
无人机辅助的多址边缘计算(MEC)已成为能量受限设备满足计算需求和严格延迟要求的一种有前途的解决方案。在这项工作中,我们研究了一个多无人机辅助的两阶段MEC系统中,计算密集型和延迟敏感的任务的移动设备(MD)的MEC使能的无人机和地面基站(TBS)上的MEC服务器连接的合作执行。具体地,UAV向移动设备提供计算和中继服务。在这方面,我们制定了一个联合任务卸载,通信和计算资源分配的问题,以尽量减少能源消耗的MD和无人机考虑有限的通信资源的上行链路传输,无人机的计算资源和可容忍的延迟的任务。该问题是一个NP难的混合整数非凸问题。因此,我们放宽通道分配变量从二进制连续值。然而,由于变量之间的耦合,该问题仍然是非凸的。为了解决制定的优化问题,我们采用块连续上限最小化(BSUM)方法,保证获得非凸目标函数的稳定点。本质上,非凸目标函数被分解成多个子问题,然后以逐块的方式求解。最后,进行了广泛的评估结果,以显示我们提出的框架的优越性能。
2020-11-24 cs.NI
UAV-assisted Unbiased Hierarchical Federated Learning: Performance and Convergence Analysis
针对无人机辅助无线网络中分层联邦学习受信道不可靠性影响产生聚合偏差的问题,提出结合随机几何信道成功率的权重调整无偏HFL算法,验证了其收敛性与性能优势,还可支撑系统参数优化设计。
2024-07-05 cs.IT cs.LG cs.NI
Task-Oriented Edge-Assisted Cooperative Data Compression, Communications and Computing for UGV-Enhanced Warehouse Logistics
针对仓储物流中传统通信KPI难满足任务需求的问题,提出面向任务的边缘辅助UGV协同框架,结合DRL两阶段点云压缩算法动态调优压缩比,降低通信开销,经仿真验证有效且具落地潜力。
2024-10-09 cs.NI eess.SP
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
CSI-Assisted Edge SLAM Testbed Platform for 5G Connected Unmanned Autonomous Vehicles
Faculty of Technical Sciences, University of Novi Sad, Serbia(技术科学学院,诺维萨德大学,塞尔维亚)
本文针对5G连接无人自动驾驶车辆,设计实现CSI辅助边缘SLAM测试平台,集成UGV、ROS2框架及5G O-RAN系统,提供端到端跨层视角,分析相关通信传输并讨论CSI机制,揭示关键挑战,为6G机器人平台提供见解。
2026-07-14 cs.NI cs.RO
Digital Twin-Based 3D Map Management for Edge-Assisted Mobile Augmented Reality
University of Waterloo(滑铁卢大学);Carleton University(卡尔顿大学);Toronto Metropolitan University(多伦多都会大学);Xidian University(西安电子科技大学)
本文针对边缘辅助移动增强现实中的三维地图管理问题,提出基于数字孪生和基于模型的强化学习的方法,通过预测相机帧并利用仿真与实际数据快速生成自适应策略,从而在动态环境中降低位姿估计不确定性并提高数据效率。
2023-05-26 cs.AI cs.NI
Energy-Efficient UAV-Assisted Mobile Edge Computing: Resource Allocation and Trajectory Optimization
在本文中,我们研究无人机(UAV)辅助移动边缘计算(MEC)的目标是优化计算卸载与最小的无人机能耗。在所考虑的场景中,无人机扮演空中微云的角色,收集和处理地面用户卸载的计算任务。在满足用户服务需求的前提下,通过联合优化无人机轨迹、用户发射功率和计算负载分配,实现无人机能量效率最大化。该优化问题对应于非凸分式规划,采用Dinkelbach算法和逐次凸逼近(SCA)技术进行求解,并将问题分解为多个子问题进行分布式并行求解.为了应对的情况下,当用户的移动性知识是有限的,我们采用了空间分布估计技术来预测地面用户的位置,使所提出的方法仍然可以应用。仿真结果验证了该方法的有效性,以最大限度地提高无人机的能源效率。
2020-07-29 cs.NI cs.SY eess.SP
A Deployment-Oriented Framework for Explainable AI-Assisted eBPF/XDP Mitigation at the IoT Edge
Istinye University(伊斯坦耶大学)
提出一种基于Linux的物联网边缘网关框架,结合资源感知的AI风险评分、事件级可解释性和eBPF/XDP限界缓解,实现可部署的异常流量管控。
2026-06-11 cs.CR cs.NI
Caching and Computation Offloading in High Altitude Platform Station (HAPS) Assisted Intelligent Transportation Systems
边缘智能是一种通过利用网络边缘上的计算资源来加速人工智能(AI)应用的新范式,可用于改善智能交通系统(ITS)。然而,由于物理限制和能源供应限制,边缘设备的计算能力通常是有限的。高空平台站(HAPS)计算可以被认为是边缘计算的一个有前途的扩展。HAPS部署在平流层,提供广泛的覆盖范围和强大的计算能力。它适用于协调陆地资源和存储与基于ITS的应用相关的基础数据。在这项工作中,三个计算层,即,交通工具、地面网络边缘和HAPS被集成以构建ITS的计算框架,其中HAPS数据库存储应用所需的基础数据。此外,高速缓存技术被引入到网络边缘,以存储来自HAPS的一些基本数据,从而可以减少大的传播延迟。我们的目标是通过优化计算卸载和缓存决策以及带宽和计算资源分配来最大限度地减少系统的延迟。模拟结果强调了HAPS计算在减轻延迟方面的优势以及网络边缘缓存的重要性。
2022-01-13 cs.NI cs.SY eess.SY
EdgeDASH: Exploiting Network-Assisted Adaptive Video Streaming for Edge Caching
虽然边缘视频缓存具有降低核心网络流量以及用户体验延迟的巨大潜力,但由于两个关键原因,在当前客户端驱动的视频流解决方案中利用缓存通常具有挑战性。首先,即使对相同内容感兴趣的客户端也可能请求不同的质量级别,因为视频内容被编码为多种质量以匹配广泛的网络条件和设备能力。其次,选择下一个块的质量以请求的客户端不知道网络边缘处的缓存内容。因此,开发网络端解决方案来利用缓存变得势在必行。这还可以缓解一些性能问题,特别是对于多个视频客户端竞争某些瓶颈容量的场景。在本文中,我们提出了一个网络侧控制逻辑运行在WiFi AP,以方便使用缓存的视频内容。特别地,在替代质量提供更好的效用的情况下,AP可以向客户站分配与其请求不同的视频质量。我们制定的质量分配问题作为一个优化问题,并开发了几个多项式复杂度的算法。与客户端确定质量适应的基线相比,我们的建议(称为EdgeDASH)提供了更高的视频质量,更高的缓存命中率和更低的停顿率,这对用户的满意度至关重要。我们的模拟表明,EdgeDASH促进了显着的缓存命中,并减少了缓冲区失速,只有通过改变客户端的请求由一个质量水平。此外,从我们的分析,我们得出结论,网络援助提供了显着的性能改善,特别是当具有相同的利益的客户端竞争的瓶颈链路的容量。
2020-02-04 cs.MM cs.NI
GNN-based Online Beamforming Design for HAPS-Assisted NTN
Ohio University(俄亥俄大学);Carleton University(卡尔顿大学)
针对地面网络边缘用户容量受限问题,提出集成高空平台站(HAPS)的架构,并利用图神经网络(GNN)在线优化基站和HAPS的波束赋形向量以最大化能量效率(EE),数值结果表明该方案能提升第5百分位EE,改善边缘用户服务。
2026-07-16 cs.NI eess.SP
The Interplay of Reconfigurable Intelligent Surfaces and Mobile Edge Computing in Future Wireless Networks: A Win-Win Strategy to 6G
可重构智能表面(RIS)授权通信被认为是第六代(6G)无线网络的使能技术。RIS辅助通信的关键思想是增强现代无线网络的容量、覆盖范围、能源效率、物理层安全性和许多其他方面。与此同时,移动边缘计算(MEC)已经通过将独立云服务器的计算、通信和缓存功能扩展到网络边缘来展示其巨大的潜力。在本文中,我们首先概述了MEC和RIS如何相互受益。我们设想MEC和RIS的集成将为无线网络的未来发展带来前所未有的转变。我们提供了一个系统级的观点,MEC辅助RIS(和RIS辅助MEC),将无线网络向6G发展。我们还概述了一些基本的挑战,涉及到MEC辅助RIS(和RIS辅助MEC)网络的实施。最后,讨论了RIS辅助MEC的关键研究方向。
2021-05-13 cs.ET cs.IT cs.NI
Edge-assisted Parallel Uncertain Skyline Processing for Low-latency IoE Analysis
National Chung Cheng University(国立中正大学);Trend Micro Inc(趋势科技);Taiwan Semiconductor Manufacturing Company, Ltd (TSMC)(台湾积体电路制造股份有限公司);National Taipei University of Technology(台北科技大学)
本文提出了一种边缘辅助并行不确定天空线算法,通过减少数据传输量和计算资源消耗,提升低延迟IoE分析的效率。
2025-08-06 cs.DC cs.NI
User-Centric Communication Service Provision for Edge-Assisted Mobile Augmented Reality
School of Telecommunications Engineering, Xidian University(电子科技大学电信工程学院);Department of Electrical and Computer Engineering, University of Waterloo(滑铁卢大学电气与计算机工程系);School of Information Technology, Carleton University(卡尔顿大学信息科技学院)
针对边缘辅助MAR上行流量用户特定且非平稳的问题,提出基于数字孪生的以用户为中心的通信服务方案,通过定制数据模型、自适应切换及资源管理算法,较5G切片方案提升14.2%的帧上传延迟达标率。
2025-09-30 cs.AI cs.NI
Artificial Intelligence Assisted Collaborative Edge Caching in Small Cell Networks
North Carolina State University(北卡罗来纳州立大学);Old Dominion University(欧道明大学);Utah State University(犹他州立大学)
边缘缓存是一种新的模式,在过去的几年中已经被利用来减少核心网络的负载并提高内容交付性能。许多现有的缓存解决方案只考虑同质缓存放置由于异构缓存模型相关联的巨大的复杂性。与这些传统的建模范式,本文认为异构缓存模型在边缘节点的用户的异构内容偏好。此外,在两层异构网络中,为了最大化缓存命中率,我们让边缘节点合作。然而,由于复杂的组合决策变量,制定的问题是很难解决的多项式时间。此外,甚至没有现成的工具或软件来解决这个问题。我们提出了一种改进的粒子群优化算法(M-PSO),有效地解决了复杂的约束问题在合理的时间。通过数值分析和仿真,我们验证了该算法与现有的基准缓存方案相比,显著提高了缓存性能。
2020-09-16 cs.AI cs.NI cs.SY
Digital Twinning of a Pressurized Water Reactor Startup Operation and Partial Computational Offloading in In-network Computing-Assisted Multiaccess Edge Computing
Chonnam National University(全南大学);Institute for Energy Technology(能源技术研究所)
针对核电厂数字孪生中复杂人为行动表示及部分计算卸载延迟问题,提出两阶段方法:用概率图模型捕获人为行动,并将卸载问题建模为多用户博弈,设计去中心化算法优化卸载决策与资源分配,仿真验证有效性。
2024-06-24 cs.AI cs.DC cs.NI
PAST: Pilot and Adaptive Orchestration for Timely and Resilient Service Delivery in Edge-Assisted UAV Networks under Spatio-Temporal Dynamics
Tongji University(同济大学);Xiamen University(厦门大学);Guizhou University(贵州大学);CSIRO(联邦科学与工业研究组织);North Carolina State University(北卡罗来纳州立大学)
针对时空动态下边缘辅助无人机网络的资源交易问题,提出PAST框架,集成PilotAO与AdaptAO机制,平衡了交易的稳定性、适应性与决策效率。
2026-08-25 cs.DC cs.GT cs.NI
DNN-Driven Compressive Offloading for Edge-Assisted Semantic Video Segmentation
Huazhong University of Science and Technology(华中科技大学);Essex University(埃塞克斯大学);Hong Kong University of Science and Technology(香港科技大学)
深度学习在语义分割方面表现出了令人印象深刻的性能,但对于资源受限的移动设备来说,它仍然负担不起。虽然卸载计算任务是有希望的,但高流量需求压倒了有限的带宽。现有的压缩算法不适合语义分割,因为缺乏明显和集中的感兴趣区域(RoIs)迫使采用统一的压缩策略,导致压缩比或准确率低。本文介绍了STAC,一个DNN驱动的压缩方案为边缘辅助的语义视频分割量身定制。STAC是第一个利用DNN的梯度作为空间自适应压缩的空间灵敏度度量,并实现了卓越的压缩比和准确性。然而,使这种内容定制的压缩适应于视频是具有挑战性的。实际问题包括不同的空间敏感性和巨大的带宽消耗的压缩策略反馈和卸载。我们通过时空自适应方案来解决这些问题,该方案(1)将部分策略生成操作离线以减少通信负载,以及(2)通过密集的光流跨帧传播压缩策略和分割结果,并自适应地卸载关键帧以适应视频内容。我们在商用移动终端上实现了STAC。实验结果表明,STAC算法在保证精度的前提下,与现有算法相比,可以节省高达20.95%的带宽。
2022-03-28 cs.CV cs.MM cs.NI
A Performance Analysis Modeling Framework for Extended Reality Applications in Edge-Assisted Wireless Networks
The University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);University of Houston(休斯顿大学);Kyung Hee University(庆熙大学)
针对边缘辅助无线网络下XR应用性能建模受多参数影响、设备与网络异构性带来的挑战,本文提出新型性能分析建模框架,经测试床实验验证,其精度优于现有主流分析模型。
2024-05-11 cs.CV cs.DC cs.NI