Cooperative Task Offloading through Asynchronous Deep Reinforcement Learning in Mobile Edge Computing for Future Networks
High Performance Networks (HPN) Research Group, Smart Internet Lab, University of Bristol（布里斯托大学智能互联网实验室）
针对未来网络MEC中单服务器卸载和集中式决策的不足，提出CTO-TP框架，利用异步多智能体深度强化学习实现边缘协作，显著降低延迟和能耗。
2025-04-24 cs.LG
Deep Reinforcement Learning for Stochastic Computation Offloading in Digital Twin Networks
University of Electronic Science and Technology of China（电子科技大学）；University of Oslo（奥斯陆大学）；Simula Metropolitan Center for Digital Engineering（Simula大都会数字工程中心）
工业物联网（IIoT）的快速发展要求工业生产走向数字化，以提高网络效率。数字孪生是一项很有前途的技术，通过创建物理对象的虚拟模型来赋能工业物联网的数字化转型。然而，由于资源受限的设备，随机任务和资源异构性，在IIoT中提供网络效率非常具有挑战性。IIoT网络中的分布式资源可以通过计算卸载来有效利用，以降低能耗，同时提高数据处理效率。在本文中，我们首先提出了一种新的范式数字孪生网络（DTN），建立网络拓扑结构和随机任务到达模型在IIoT系统。然后，我们制定了随机计算卸载和资源分配问题，以最大限度地减少长期能源效率。由于所提出的问题是一个随机规划问题，我们利用李雅普诺夫优化技术将原问题转化为一个确定性的每个时隙的问题。最后，我们提出了异步Actor-Critic（AAC）算法来寻找最优的随机计算卸载策略。说明性的结果表明，我们提出的计划是能够显着优于基准。
2020-11-18 cs.AI cs.LG
Learning-based decentralized offloading decision making in an adversarial environment
Aalto University（阿尔托大学）
VFC（Vehicular Fog Computing）将云计算能力推送到互联网边缘的分布式雾节点，通过任务卸载为车辆提供计算密集型和延迟敏感型计算服务。然而，异构的移动环境中引入的资源供应和需求方面的不确定性，这是不可避免的最佳卸载决策的瓶颈。此外，这些不确定性给在不经意的对手攻击和数据隐私风险下的任务卸载带来了额外的挑战。在这篇文章中，我们开发了一个新的对抗性在线学习算法与强盗反馈的基础上的对抗性多臂强盗理论，使可扩展的和低复杂度的卸载决策。具体来说，我们专注于优化雾节点的选择，目的是最大限度地减少卸载服务成本的延迟和能源。关键是在选择过程中隐式地调整探索奖金和所设计算法的评估规则，同时考虑到波动的资源供应和需求。我们从理论上证明，输入大小相关的选择规则允许选择一个合适的雾节点，而不探索次优的行动，也是一个适当的分数修补规则允许快速适应不断变化的情况下，减少方差和偏见，同时，从而实现更好的开发探索平衡。仿真结果验证了该算法的有效性和鲁棒性。
2021-09-06 cs.IT cs.LG math.IT
Real-Time Edge Classification: Optimal Offloading under Token Bucket Constraints
Washington University in St. Louis（圣路易斯华盛顿大学）
为了在具有严格延迟约束的实时的【形】应用中部署基于机器学习的算法，我们考虑边缘计算设置，其中输入的子集被卸载到边缘以由准确但资源密集型的模型处理，其余部分仅由设备本身上的不太准确的模型处理。这两种模型的计算成本都与可用的计算资源相匹配，并以低延迟处理输入。但是卸载会导致网络延迟，为了管理这些延迟以满足应用程序的最后期限，我们使用令牌桶来限制设备传输的平均速率和突发长度。我们引入了一个基于马尔可夫决策过程的框架，在这些约束条件下，根据本地模型的置信度和令牌桶状态进行卸载决策，目标是最大限度地减少应用程序的指定错误度量。除了个别设备的隔离决策，我们还提出了方法，允许连接到同一接入交换机的多个设备共享其突发分配。我们评估和分析使用我们的框架在标准ImageNet图像分类基准测试中得出的策略。
2020-11-05 cs.DC cs.LG cs.NI
QECO: A QoE-Oriented Computation Offloading Algorithm based on Deep Reinforcement Learning for Mobile Edge Computing
Department of Computer Engineering, Sharif University of Technology（计算机工程系，谢赫拉特夫大学）；Department of Electrical Engineering, Sharif University of Technology（电气工程系，谢赫拉特夫大学）
针对移动边缘计算中动态环境下的计算卸载问题，提出基于深度强化学习的分布式QECO算法，以最大化用户长期体验质量，实验显示任务完成数提升14.4%，QoE提升37.1%。
2025-09-25 cs.DC cs.LG cs.NI
PeersimGym: An Environment for Solving the Task Offloading Problem with Reinforcement Learning
NOVA School of Science and Technology（NOVA科学技术学院）；Instituto Superior Técnico（高等技术学院）
针对任务卸载优化难题及强化学习训练环境的需求，提出开源可定制仿真环境PeersimGym，支持多拓扑与多智能体部署，实验验证其可助力提升卸载策略效果，衔接理论与应用。
2024-10-08 cs.AI cs.LG
Unified Distributed Environment
Amazon Web Services（亚马逊云科技）
我们提出了统一分布式环境（UDE），一个环境虚拟化工具包的强化学习研究。UDE旨在集成在任何仿真平台上构建的环境，例如Gazebo，Unity，Unreal和OpenAI Gym。通过环境虚拟化，UDE可以卸载环境以便在远程机器上执行，同时仍然保持统一的接口。默认情况下，UDE接口设计为支持多代理。通过环境虚拟化及其接口设计，可以在多代理环境的多台机器中训练代理策略。此外，UDE还支持与现有主要RL工具包的集成，以便研究人员利用这些优势。本文讨论了UDE的组成部分及其设计决策。
2022-05-14 cs.AI cs.LG
Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing
Singapore University of Technology and Design（新加坡科技设计大学）；Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）；Missouri University of Science and Technology（密苏里科技大学）；CNRS（法国国家科学研究中心）；Telecom Sud Paris（南巴黎电信学院）；Institut Mines Telecom（矿业电信学院）；Paris-Saclay University（巴黎-萨克雷大学）
深度神经网络（DNN）的进步极大地支持了异常物联网数据的实时检测。然而，物联网设备很难负担复杂的DNN模型，并且将异常检测任务卸载到云端会导致长时间的延迟。在本文中，我们提出并构建了一个用于分布式分层边缘计算（HEC）系统的自适应异常检测方法的演示，以解决单变量和多变量物联网数据的这个问题。首先，我们构建了多个异常检测DNN模型，其复杂度不断增加，并将每个模型与HEC中的一个层从下到上相关联。然后，我们设计了一个自适应方案，选择这些模型之一的飞行，从每个输入数据提取的上下文信息的基础上。模型的选择制定为一个上下文的强盗问题，其特征在于一个单步马尔可夫决策过程，并使用强化学习策略网络解决。我们构建了一个HEC测试平台，实现了我们提出的方法，并使用真实的物联网数据集对其进行了评估。演示表明，我们提出的方法显着降低了检测延迟（例如，单变量数据集的71.4%），而不会牺牲准确性，而不是将检测任务卸载到云端。我们还将其与其他基线方案进行了比较，并证明了它实现了最佳的精度-延迟权衡。我们的演示也可在线获得：https://rebrand.ly/91a71
2020-04-15 cs.DC cs.LG cs.NI
DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach
Xiamen University（厦门大学）；Nanyang Technological University（南洋理工大学）；Jimei University（集美大学）；University at Buffalo-SUNY（纽约州立大学布法罗分校）
本文针对车联网中DNN任务的计算挑战，提出Lyapunov引导的多智能体扩散深度强化学习算法MAD2RL，联合优化DNN划分、任务卸载与资源分配，以最小化任务完成时间并保证系统稳定性。
2024-06-11 cs.LG
ChunkFlow: Communication-Aware Chunked Prefetching for Layerwise Offloading in Distributed Diffusion Transformer Inference
University of California, Merced（加州大学梅尔德分校）；University of Chicago（芝加哥大学）；Yotta Labs（Yotta实验室）
ChunkFlow通过通信感知分块预取优化分层卸载，减少GPU内存占用并提升推理效率，在不同工作负载下实现内存与延迟的可调平衡。
2026-05-11 cs.DC cs.LG
Multi-Agent DRL for Queue-Aware Task Offloading in Hierarchical MEC-Enabled Air-Ground Networks
Hamad Bin Khalifa University（哈马德·本·哈利法大学）；College of Science and Engineering（科学与工程学院）；Division of Information and Computing Technology（信息与计算技术系）；College of Engineering, Qatar University（卡塔尔大学工程学院）
本文针对MEC使能的空地网络，提出基于Beta分布的多智能体近端策略优化算法（MAPPO-BD），通过联合优化UAV轨迹、资源分配与任务卸载，实现了高效节能与资源管理。
2025-03-05 cs.AI cs.LG
Multi-Agent Reinforcement Learning for Offloading Cellular Communications with Cooperating UAVs
本文提出一种多智能体强化学习方法，通过联合优化无人机轨迹与用户关联指标，在服务质量约束下最大化用户关联，实现陆地基站数据流量高效卸载，其性能优于Q学习和粒子群优化等基准技术。
2024-05-31 cs.LG cs.SY eess.SY
DiOMP-Offloading: Toward Portable Distributed Heterogeneous OpenMP
针对传统HPC混合编程模型在分布式GPU内存管理与可移植性上的不足，提出分布式OpenMP框架DiOMP，融合OpenMP目标卸载与PGAS模型，实验证明其在多类异构平台上具备更优性能、可扩展性与可编程性。
2025-06-03 cs.DC
μ-DDRL: A QoS-Aware Distributed Deep Reinforcement Learning Technique for Service Offloading in Fog computing Environments
针对雾计算中复杂服务卸载的随机动态环境，提出基于APPO的分布式深度强化学习技术μ-DDRL，结合PPO裁剪与V-trace加速收敛，实现QoS感知的快速、可扩展服务卸载，显著改善异构服务执行时间。
2023-10-13 cs.DC
Federated Double Deep Q-learning for Joint Delay and Energy Minimization in IoT networks
York University（约克大学）
在本文中，我们提出了一个联合深度强化学习框架来解决多目标优化问题，其中我们考虑最小化物联网设备的预期长期任务完成延迟和能耗。这通过优化卸载决策、计算资源分配和发射功率分配来完成。由于制定的问题是一个混合整数非线性规划（MINLP），我们首先把我们的问题作为一个多智能体分布式深度强化学习（DRL）问题，并使用双深度Q网络（DDQN），其中的行动是卸载决策解决它。基于所选择的卸载决策（动作），通过求解发射功率优化或本地计算资源优化来计算每个代理的即时成本。然后，为了提高物联网设备（代理）的学习速度，我们在每集的结尾加入了联邦学习（FDL）。FDL增强了建议的DRL框架的可扩展性，创建一个代理之间的合作环境，并最大限度地减少他们的隐私问题。我们的数值结果证明了我们提出的联邦DDQN框架在学习速度方面的有效性，与联邦深度Q网络（DQN）和非联邦DDQN算法相比。此外，我们还研究了批量大小、网络层数、DDQN目标网络更新频率对FDL学习速度的影响。
2021-04-02 cs.LG cs.NI
Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks
School of Information and Communication Engineering, University of Electronic Science and Technology of China（电子科技大学信息与通信工程学院）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
针对空天地一体化网络中多无人机任务调度问题，提出基于聚类的CMADDPG算法，通过动态聚类和簇头决策实现分布式集中控制，利用多智能体强化学习优化卸载决策，显著提升系统收益至少25%。
2024-12-14 cs.LG cs.MA cs.SY
Distributed and Application-aware Task Scheduling in Edge-clouds
边缘计算是一种新兴技术，它将计算置于网络边缘以提供超低延迟。计算卸载是一种将计算从移动设备迁移到远程服务器的范例，现在可以通过将计算卸载到边缘云中的云来使用边缘计算的力量。然而，边缘云计算卸载的任务调度面临着双重挑战。首先，由于微云在地理上是分布式的，因此在没有集中控制的情况下，每个微云很难执行负载均衡。第二，由于计算卸载的任务具有多种类型，因此在任务类型方面保证用户体验质量（QoE）是具有挑战性的。在本文中，我们提出了Petrel，一个分布式和应用程序感知的边缘云任务调度框架。Petrel实现了基于样本的负载均衡技术，并根据任务类型采用自适应调度策略。这种应用感知调度不仅提供了QoE保证，而且提高了整体调度性能。跟踪驱动的模拟表明，Petrel实现了显着的改善，现有的调度策略。
2019-02-12 cs.DC
Distributed Massive MIMO-Aided Task Offloading in Satellite-Terrestrial Integrated Multi-Tier VEC Networks
针对星地融合多层 VEC 网络，提出 DM-MIMO 辅助的部分任务卸载框架，联合优化卸载、子信道与预编码以降低时延和能耗，性能优于基准方案。
2024-12-06 cs.DC
FRESCO: Fast and Reliable Edge Offloading with Reputation-based Hybrid Smart Contracts
FRESCO提出结合区块链声誉系统与混合智能合约及SMT决策引擎的边缘卸载框架，实现快速可靠卸载，响应时间降低7.86倍，QoS违规率仅0.4%。
2025-09-10 cs.DC
Distributed OpenMP Offloading of OpenMC on Intel GPU MAX Accelerators
本研究基于前期GPU适配基础，通过分布式OpenMP卸载将OpenMC蒙特卡罗代码扩展适配至Intel Data Center Max 1100 GPU，基准测试显示其相较第四代至强CPU实现显著加速，计算负载越高优势越明显。
2024-03-12 cs.DC
A Blockchain-Based Distributed Computational Resource Trading Strategy for Internet of Things Considering Multiple Preferences
基于边缘计算的计算任务卸载可以解决传统基于云的物联网系统的性能瓶颈。为了进一步优化计算效率和资源分配，已经提出了协作卸载，以实现从边缘设备到物联网终端设备的卸载。然而，仍然缺乏鼓励参与者接替他人任务的激励机制。针对这种情况，本文提出了一种分布式计算资源交易策略，解决物联网用户的多个偏好。与大多数现有的作品，我们的交易策略的目标综合考虑了不同的满意度与任务延迟，能源消耗，价格和用户声誉的请求者和合作者。系统设计使用区块链来增强分散性，安全性和自动化。与基于经典双向拍卖匹配机制的交易方法相比，该交易策略具有更多的任务卸载和执行，交易结果对信誉良好的合作者更友好。
2023-01-04 cs.DC
Architecture and Performance Evaluation of Distributed Computation Offloading in Edge Computing
边缘计算是一种新兴的范例，可以实现低延迟应用程序，如移动增强现实，因为它在更接近用户的处理设备上进行计算。另一方面，云系统对无状态任务的高度可扩展执行的需求正在推动基于无服务器计算的新技术的定义。在本文中，我们提出了一种新的架构，其中两个收敛，使低延迟的应用程序：这是通过卸载短期无状态任务从用户终端到边缘节点。此外，我们设计了一个分布式算法，解决了选择最佳执行器的研究挑战，基于实时测量和简单，但有效的预测算法。最后，我们描述了一个新的性能评估框架，专门设计用于精确评估边缘计算环境中的算法和协议，其中节点可能具有非常异构的网络和处理能力。所提出的框架依赖于使用真实的组件与模拟计算混合的轻量级虚拟化，非常适合于几个应用程序和网络环境的分析。使用我们的框架，我们在小型和大型边缘计算场景中评估了我们提出的架构和算法，表明我们的解决方案实现了与集中式解决方案相似或更好的延迟性能，网络利用率要低得多。
2021-09-20 cs.DC cs.NI
Hybrid Vehicular and Cloud Distributed Computing: A Case for Cooperative Perception
在这项工作中，我们提出了使用混合卸载的计算任务，同时通过LTE通信到边缘服务器（垂直卸载）和通过V2V通信到附近的汽车（水平卸载），以提高与本地处理相比的任务处理速率。我们的主要贡献是一个优化的资源分配和调度框架的混合卸载的计算任务。该框架最佳地利用了边缘和微云中的计算资源，同时考虑了通信限制和任务要求。虽然合作感知是我们的框架的主要用例，该框架是适用于其他合作车辆应用程序的高计算需求和显着的传输开销。该框架在一个模拟环境中进行测试，该环境建立在从Veins车辆网络模拟器导出的汽车轨迹和通信速率之上。我们观察到的合作感知传感器帧的处理速率显着增加时，采用混合卸载与优化资源分配。此外，处理速率随着V2V连接而提高，因为可以水平卸载更多的计算任务。
2020-10-09 cs.DC cs.SY eess.SY
Distributed Computation Offloading of an application from mobile/IoT device to cloud
在新型冠状病毒疫情下，使用移动设备连接互联网的用户数量增加。人们在那里做的每一个任务使用手机[16]。这些设备是电池供电的，并且具有有限的计算能力。它们的计算能力可以通过计算卸载来增强，其中所需的计算将在云上的第三方服务器而不是设备本身上完成。云提供了几乎无限的计算和存储。我们提出，通过利用应用程序调用层次结构中的并行性，我们可以减少非并行部分的执行时间，并在VM崩溃的情况下最大限度地减少数据重发。我们确定应用程序中相互独立的函数调用路径，并以分布式方式在单独的VM上调度它们中的每一个。无论这些独立的路径合并在哪里，我们都会将其折叠为单个VM，并且每当路径再次分叉时，我们都会调度多个VM。如果任何单个VM出现故障，将创建另一个副本。然而，只有与崩溃的VM相关联的代码和数据需要从客户端设备重新传输。在人脸重组和蒙太奇应用程序的情况下，我们减少执行时间分别为27.5%和43.43%。然而，如果两个VM中的任何一个崩溃，则重新发送的数据将是已经卸载到相应VM的应用程序的一部分，这取决于它们具有的并行度水平，这在重新发送的情况下节省了移动电池。我们还将讨论针对一个作业使用多个VM与针对同一作业使用单个VM的能耗效果。
2023-02-05 cs.DC
Workload Distribution with Rateless Encoding: A Low-Latency Computation Offloading Method within Edge Networks
本文提出REDC框架，通过自适应无速率编码和基于节点异构性的负载分配，解决边缘网络中分布式计算的落后节点延迟和故障问题，显著提高资源利用率并降低任务执行延迟。
2023-10-04 cs.DC
Blockchain-based Result Verification for Computation Offloading
卸载计算，例如，到云，是当今分布式系统中的一项主要任务。通常，应用卸载的消费者必须相信服务提供者提供的特定功能正在提供正确的结果。虽然冗余（即，将一项任务卸载给一个以上的服务提供商）或（部分）再处理有助于确定正确的结果，但它们也会导致成本显著增加。因此，在本文中，我们提出了一种通过区块链验证链下计算结果的方法。为此，我们应用零知识证明来提供证据证明结果是正确的。使用我们的方法，可以在服务消费者和任意服务提供者之间建立信任。我们使用一个非常知名的示例任务来评估我们的方法，即，旅行推销员问题
2021-10-21 cs.DC
Argus: Token Aware Distributed LLM Inference Optimization
CUHK(SZ)（香港中文大学（深圳））
Argus是一种基于令牌的分布式大语言模型推理优化框架，通过长度感知语义模块和Lyapunov引导卸载优化模块，实现高效的任务卸载和动态异构环境下的高效率推理。
2025-12-28 cs.DC
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
Computation Offloading with Multiple Agents in Edge-Computing-Supported IoT
针对物联网设备海量容量挑战及计算卸载中的复杂资源管理问题，提出一种基于深度强化学习与联邦学习的分布式卸载算法，证明该优化问题为NP难，并验证了算法在降低传输成本及提升系统性能方面的有效性。
2023-08-01 cs.DC
Robot Subset Selection for Swarm Lifetime Maximization in Computation Offloading with Correlated Data Sources
考虑机器人群无线网络，其中移动机器人将其计算任务卸载到位于移动边缘的计算服务器。我们的目标是通过有效利用分布式数据源之间的相关性，最大限度地提高群体的生命周期。通过选择合适的机器人子集将其感测数据发送到服务器来处理优化问题。在这项工作中，分布式机器人子集之间的数据相关性建模为无向图。提出了一种最小度迭代划分（LDIP）算法，将图划分为一组子图。每个子图具有至少一个顶点（即，子集），称为代表顶点（R-顶点），其与并且仅与子图内的所有其他顶点共享边;仅R-顶点被选择用于数据传输。当子图的数量最大化时，所提出的子集选择方法在AWGN信道中是最优的。对于独立衰落信道，最大-最小原则可以被纳入到所提出的方法，以实现最佳性能。
2023-01-25 cs.DC cs.SY eess.SY
An Efficient Mechanism for Computation Offloading in Mobile-Edge Computing
移动边缘计算（MEC）是一种很有前途的技术，可以在移动用户附近提供云和IT服务。随着移动应用的不断增加，移动设备（MD）遇到了其资源的限制，如电池寿命和计算能力。MEC中的计算卸载可以帮助移动用户减少电池使用并加快任务执行。虽然MEC中存在许多用于卸载的解决方案，但大多数通常仅采用一个MEC服务器以改善移动终端能量消耗和执行时间。与传统的集中式优化方法不同，本文考虑了MEC服务器和用户之间的分散式优化机制。特别是，分配机制称为学校选择，以协助异构用户选择不同的MEC运营商在分布式环境中。通过这种机制，每个用户都可以从最小化执行任务的价格和能耗中受益，同时满足指定的截止日期。本研究设计了一种有效的机制，计算卸载计划，实现最小的价格和能源消耗下的延迟约束。数值结果表明，该算法可以实现有效的计算卸载。
2020-03-08 cs.DC cs.GT eess.SP
Coded Task Offloading for Fluid Computing: A Privacy-Aware Approach under D2D Networks
atlanTTic – ICLAB, Universidade de Vigo（阿特兰蒂克研究中心-互联网计算实验室，维戈大学）；Escuela de Ingeniería de Telecomunicación（电信工程学院）
针对 D2D 网络随机任务到达和队列动态，提出结合任务卸载与线性秘密共享的编码任务卸载方案，通过分支定界求解器和启发式调度器解决隐私感知卸载问题，改善延迟 - 能量权衡，揭示延迟 - 能量 - 隐私权衡。
2026-07-10 cs.DC
Collaborative Coded Computation Offloading: An All-pay Auction Approach
随着感知能力的提高和物联网（IoT）设备数量的增加，为人群感知应用收集的数据量迅速增加，云服务器不再能够单独处理大规模数据集。考虑到边缘设备的计算能力的提高，编码的分布式计算已经成为一种有前途的方法，因为它允许以分布式方式执行计算任务，同时减轻掉队者效应，这通常导致较长的总体完成时间。具体地，通过使用多项式代码，仅需要来自设备的子集的计算结果来重构最终结果。然而，边缘设备没有动力来完成计算任务。在本文中，我们提出了一种全付费拍卖，以激励边缘设备参与编码计算任务。在这种拍卖中，边缘设备的出价由它们的中央处理单元（CPU）功率分配给计算任务来表示。所有边缘设备都提交其出价，无论它们在拍卖中是赢还是输。全付费拍卖旨在通过确定对获胜者的奖励分配来最大化云服务器的效用。仿真结果表明，当提供多个奖励而不是单个奖励时，边缘设备被激励分配更多的CPU功率。
2020-12-09 cs.DC
Efficient Task Offloading Algorithm for Digital Twin in Edge/Cloud Computing Environment
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
针对异构 MEC/MCC 环境下数字孪生由多数据源维护的任务卸载问题，提出基于 DDL 的卸载方案，显著降低平均时延与能耗。
2023-07-13 cs.DC cs.LG cs.NI
Energy Efficient Offloading Policies in Multi-Access Edge Computing Systems with Task Handover
针对大规模MEC系统中任务切换下的能效挑战，本文采用RMAB框架建模卸载问题，提出两种可扩展在线策略，实现动态适配与近最优能效，在节能与稳健性上显著优于基线方法。
2024-12-09 cs.DC
Dependent Task Offloading in Edge Computing Using GNN and Deep Reinforcement Learning
任务卸载是移动边缘计算中广泛使用的一种技术，它借助资源丰富的边缘服务器来降低用户任务的完成时间。现有的工作主要集中在用户任务的计算密度是同质的情况下，它可以全部或按百分比卸载。然而，现实生活中的各种用户任务都是由多个内部依赖的子任务组成的，每个子任务在逻辑上都是一个最小执行单元。基于这一空白，本文旨在解决多用户多边缘场景下的依赖任务卸载问题。我们首先使用有向无环图（DAG）来表示依赖任务，其中节点表示子任务，有向边表示子任务之间的依赖关系。然后，我们提出了一种基于图注意力网络（GAT）和深度强化学习（DRL）的方案，以最小化用户任务的完工时间。为了有效地利用GAT，由于大量的数据和计算资源需求，我们将它的训练以无监督的方式放在资源丰富的云上。此外，我们设计了一个多离散的行动空间的DRL算法，以提高我们提出的计划的适用性。实验是在广泛分布的合成数据上进行的。结果表明，我们提出的方法可以适应简单和复杂的MEC环境，并优于其他方法。
2023-03-30 cs.DC
REACT: Distributed Mobile Microservice Execution Enabled by Efficient Inter-Process Communication
增加的移动连接性、网络中各种计算环境中可用的服务的范围和数量要求移动应用高度动态，以便能够有效地将这些服务与移动设备上的其他本地能力一起合并到应用中。然而，如今移动应用组件的整体结构和大部分静态配置限制了应用动态管理内部组件、能够适应用户和环境以及利用网络中的各种服务来改善应用体验的能力。在本文中，我们介绍了REACT，这是一个新的基于Android的框架，允许将应用程序开发为松耦合微服务（MS）的集合。它允许基于上下文变化由网络中的服务执行MS的单独分发、动态管理和卸载。REACT旨在提供i）一个框架，作为Android库，用于创建适应上下文变化的基于MS的应用程序ii）一个统一的基于HTTP的通信机制，使用Android进程间通信（IPC）在本地运行的MS之间传输请求，同时允许在卸载时在网络和IPC请求之间进行灵活和透明的切换。我们通过实现一个视频流应用程序来评估REACT，该应用程序动态地将MS卸载到网络中的Web服务，以适应上下文的变化。评估表明，适应上下文的变化和降低功耗时卸载，而我们的通信机制克服了Android IPC的性能限制，使移动MS之间的大有效载荷的有效传输。
2021-01-04 cs.DC cs.NI
Delay-Optimal Service Chain Forwarding and Offloading in Collaborative Edge Computing
针对协同边缘计算中服务链任务的转发与卸载，本文建立拥塞感知非凸优化模型，并基于 KKT 条件提出可在线适应的多项式时间分布式全局最优算法。
2023-12-09 cs.DC cs.NI
Network-Aware Optimization of Distributed Learning for Fog Computing
雾计算有望使机器学习任务能够通过在连接的设备上分配处理来扩展到大量数据。实现这一目标的两个关键挑战是设备计算资源的异构性和设备可以相互通信的拓扑约束。我们通过开发第一个网络感知的分布式学习优化方法来解决这些挑战，在该方法中，设备以最佳方式共享本地数据处理，并将其学习的参数发送到服务器以在特定时间间隔进行聚合。与传统的联邦学习框架不同，我们的方法使设备能够将它们的数据处理任务卸载给彼此，这些决策是通过凸数据传输优化问题确定的，该问题权衡了与设备处理、卸载和丢弃数据点相关的成本。我们分析了不同雾网络拓扑结构的最佳数据传输解决方案，例如，卸载的值在网络中的计算成本范围内近似线性。我们随后在收集的测试床数据集上进行的实验证实，我们的算法能够在不牺牲学习模型准确性的情况下大幅提高网络资源利用率。在这些实验中，我们还研究了网络动态的影响，量化了节点进入或退出网络对模型学习和资源成本的影响。
2021-04-22 cs.DC
Optimal Congestion-aware Routing and Offloading in Collaborative Edge Computing
协同边缘计算（CEC）是一种新兴的范例，其中异构边缘设备通过共享通信和计算资源来协作以完成计算任务，例如模型训练或视频处理。然而，最佳的数据/结果路由和计算卸载策略在任意拓扑结构的CEC仍然是一个悬而未决的问题。在本文中，我们制定了流模型的部分卸载和多跳路由任意可分割的任务，每个节点单独决定其路由/卸载策略。与大多数现有的作品相比，我们的模型适用于具有不可忽略的结果大小的任务，并允许数据源与结果目的地不同。我们提出了一个网络范围内的成本最小化问题，具有可感知的凸成本函数的通信和计算。这样的凸成本覆盖各种性能指标和约束，例如有限处理器容量的平均延迟。虽然问题是非凸的，我们提供了必要条件和充分条件的全局最优解，并设计了一个完全分布式的算法，收敛到最佳的多项式时间，允许异步个人更新，并适应于任务模式的变化。数值计算表明，我们提出的方法显着优于其他基线算法在多个网络的情况下，特别是在拥挤的情况下。
2022-05-26 cs.DC cs.SY eess.SY
Distributed Ledger Technologies for Managing Heterogenous Computing Systems at the Edge
物联网（IoT）设备（从基本传感器到强大的嵌入式计算机）的使用越来越多，推动了对更接近这些设备的信息处理和存储解决方案的需求。边缘计算已被确立为开发物联网解决方案的标准架构，因为它可以通过在信息生产和消费的地方附近部署必要的计算能力来优化依赖云服务的系统的工作负载和容量。然而，随着网络规模的扩大，达成共识成为一项越来越具有挑战性的任务。分布式账本技术（DLT）可以被描述为包含加密技术的分布式数据库网络，可以用来实现参与者之间的共识。近年来，由于区块链的普及，DLT获得了吸引力，区块链是最知名的实现类型。通过透明和可追踪的交易实现的可靠性和信任是将物联网和DLT结合在一起的其他关键概念。我们提出了一个概念验证系统的设计，开发和实验，该系统使用DLT智能合约来有效地选择边缘节点来卸载计算任务。特别是，我们将智能合约中的网络性能指标与Hyperledger区块链集成在一起，以优化动态连接解决方案下的计算卸载。所提出的方法可以适用于不同的拓扑结构和不同的连接方式的网络。我们的研究结果表明，区块链智能合约适用于各种工业用例。
2022-11-14 cs.DC
DeepCompile: A Compiler-Driven Approach to Optimizing Distributed Deep Learning Training
Microsoft（微软）；University of Virginia（弗吉尼亚大学）
DeepCompile通过编译器驱动的优化方法，提升分布式深度学习训练的效率和吞吐量。
2026-02-19 cs.DC
Heterogeneous Active Messages (HAM) -- Implementing Lightweight Remote Procedure Calls in C++
HAM（Heterogeneous Active Messages）是一种仅用C++语言实现的异构分布式系统的主动消息传递解决方案，结合通信协议，HAM可以作为一种通用的远程过程调用（RPC）机制。它已被用于HAM-Offload中，以实现不同架构之间的节点间和节点内卸载的低开销卸载框架，包括Intel Xeon Phi x100系列和NEC SX-Aurora TSUBASA Vector Engine等加速器。HAM使用模板元编程来隐式地生成活动消息类型及其对应的处理函数。通过在不同架构上运行不同二进制文件的进程的各个处理程序代码地址之间提供有效的地址转换机制，以及在每个类型的基础上注入序列化和非序列化代码的钩子，可以实现异构化。在现代C++中实现这样一个解决方案，揭示了C++标准在分布式和异构环境中的缺点和灰色地带。
2019-06-24 cs.DC cs.PL
A Game-theoretic Approach Towards Collaborative Coded Computation Offloading
编码的分布式计算（CDC）已经成为一种有前途的方法，因为它使得计算任务能够以分布式方式执行，同时减轻掉队效应，这通常是长的总体完成时间的原因。具体地，通过使用多项式代码，仅来自边缘服务器的子集的计算结果可以用于重构最终结果。然而，激励问题还没有被系统地研究边缘服务器完成CDC任务。在本文中，我们提出了一种易于处理的两级博弈论方法来激励边缘服务器完成CDC任务。具体地说，在较低的水平，享乐联盟形成游戏制定的边缘服务器共享他们的联盟内的资源。通过形成联盟，边缘服务器具有更多的中央处理器（CPU）能力来完成计算任务。在上层，考虑到边缘服务器联盟的CPU能力，设计了全付费拍卖来激励边缘服务器参与CDC任务。在全付费拍卖中，边缘服务器的出价通过将其CPU功率分配给CDC任务来表示。全付费拍卖旨在通过确定对获胜者的奖励分配来最大化云服务器的效用。仿真结果表明，当提供多个奖励时，边缘服务器被激励分配更多的CPU功率，即，存在多个获胜者，而不是仅奖励具有最大CPU功率分配的边缘服务器。此外，云服务器的效用最大化时，它提供多个同质的奖励，而不是异构的奖励。
2021-02-17 cs.DC cs.GT
GELATO: Generative Entropy- and Lyapunov-based Adaptive Token Offloading for Device-Edge Speculative LLM Inference
School of Electronic and Information Engineering, Beijing Jiaotong University, Beijing 100044, China（北京交通大学电子与信息工程学院，北京，100044，中国）
本文提出GELATO框架，通过生成熵和李雅普诺夫方法优化设备-边缘协同推测LLM推理中的令牌卸载，提升吞吐量并降低能耗，优于现有方法。
2026-05-11 cs.DC cs.IT cs.LG
OffloadFS: Leveraging Disaggregated Storage for Computation Offloading
Sungkyunkwan University（成均馆大学）；Samsung Electronics（三星电子）
本文提出OffloadFS，一种用户级文件系统，通过将数据密集型任务卸载到解耦存储节点进行近数据处理，提升RocksDB和机器学习预处理性能达3.36倍。
2026-04-15 cs.DB cs.DC
Distributed Hierarchical Machine Learning for Joint Resource Allocation and Slice Selection in In-Network Edge Systems
Chonnam National University（全南国立大学）
本文提出一种分布式分层DeepSets模型，用于网络边缘系统中联合资源分配与切片选择，通过分解问题并优化模型结构，实现高效且接近最优的资源管理。
2026-02-02 cs.DC
Self-adaptive Multi-Access Edge Architectures: A Robotics Case
University of Southern Denmark（丹麦南部大学）
本文提出一种自适应计算系统，用于混合人类-机器人环境，通过神经网络预测人类移动行为，提升移动机器人路径规划并确保安全，采用边缘计算系统优化处理效率。
2026-04-15 cs.DC cs.RO cs.SE
Optimal Energy Efficiency with Delay Constraints for Multi-layer Cooperative Fog Computing Networks
针对多层协作雾计算网络，提出了一种联合卸载和资源分配的框架，旨在最小化多个移动设备在满足服务延迟要求的情况下的总能耗.由此产生的优化涉及二进制（卸载决策）和实变量（资源分配），使其成为一个NP难和计算棘手的问题。为了解决这个问题，我们首先提出了一种改进的分支定界算法（IBBA），以集中的方式实现。然而，由于协作雾计算网络的规模较大，所提出的IBBA的计算复杂性相对较高。为了加快最优解的搜索，以及使其分布式实现，我们然后利用独特的结构的基础问题和雾节点的并行处理。为此，我们提出了一个分布式的框架，即可行性发现Benders分解（FFBD），分解成一个主问题的卸载决策和子问题的资源分配的原始问题。主问题（MP），然后配备了强大的切割飞机，利用雾节点的资源限制的事实。资源分配的子问题（SP）可以找到他们的封闭形式的解决方案，使用我们的快速解决方案检测方法。这些（更简单的）子问题可以在雾节点上并行求解。数值结果表明，FFBD总是以显著更少的计算时间返回问题的最优解（例如，与集中式IBBA方法相比）。具有快速解检测方法的FFBD，即FFBD-F，与传统的FFBD，即FFBD-S和IBBA相比，可以分别减少高达$60\%$和$90\%$的计算时间。
2020-08-23 cs.DC cs.NI
ORCA: A Network and Architecture Co-design for Offloading us-scale Datacenter Applications
针对数据中心应用的“数据中心税”和“杀手微秒”问题，已经提出了包括基于智能NIC的解决方案在内的各种解决方案。尽管如此，它们经常遭受通过网络和/或PCIe链路的通信的高开销。为了解决当前解决方案的局限性，本文提出了ORCA，一个整体的网络和架构协同设计解决方案，利用当前的RDMA和新兴的高速缓存一致性片外互连技术。具体地说，ORCA由四个硬件和软件组件组成：（1）由单侧RDMA写和高速缓存一致性存储器写管理的机器间和机器内通信的统一抽象;（2）由缓存一致性辅助的向加速器的请求的有效通知;（3）直接处理由NIC接收的请求的高速缓存一致性加速器架构;以及（4）用于现代服务器存储器系统的自适应设备到主机数据传输，该现代服务器存储器系统包括利用CPU和PCIe中的最新技术特征的DRAM和NVM。我们原型ORCA与商业系统和评估三个流行的数据中心应用程序：内存中的键值存储，链复制的分布式事务系统，和深度学习推荐模型推理。评估表明，ORCA提供了比当前最先进的解决方案低30.1~69.1%的延迟，高达2.5倍的吞吐量和3倍的能效。
2022-10-17 cs.AR cs.DC 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
Distributed Generative Inference of LLM at Internet Scales with Multi-Dimensional Communication Optimization
University of California Merced（加州大学默塞德分校）；University of California Berkeley（加州大学伯克利分校）；College of William & Mary（威廉玛丽学院）；Yotta Labs（Yotta实验室）
本文提出BloomBee框架，通过多维优化提升分布式LLM推理性能，降低通信开销，提升吞吐量和减少延迟。
2026-04-22 cs.DC
Energy-Efficient Deadline-Aware Edge Computing: Bandit Learning with Partial Observations in Multi-Channel Systems
本文针对多接入边缘计算中多用户多信道任务卸载问题，提出基于上下文神经多臂赌博机的E2DA框架，仅利用部分观测信息在满足截止时间的同时最大化能量效率，并通过数值实验验证其接近最优的性能。
2023-08-12 cs.DC cs.IT cs.NI
Distributed Vehicular Computing at the Dawn of 5G: a Survey
信息技术的最新进展彻底改变了汽车行业，为下一代智能车辆移动性铺平了道路。车辆、路边单位和其他道路使用者可以协作提供新的服务和应用。这些服务和应用程序需要1）大量异构和连续的数据来感知环境，2）可靠和低延迟的通信网络，3）实时数据处理，在特定于应用程序的约束下提供决策支持。解决这些限制对当前的通信和计算技术提出了重大挑战。相关地，第五代蜂窝网络（5G）被开发为通过提供低延迟、高可靠性和高带宽通信来响应通信挑战。作为5G的重要组成部分，边缘计算允许在网络边缘进行数据卸载和计算，确保低延迟和上下文感知以及5G效率。在这项工作中，我们的目标是在5G和大数据的新兴时代提供一个全面的概述，对车辆计算的研究状况。
2022-04-25 cs.DC
