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
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
Intelligent Reflecting Surface Meets Mobile Edge Computing: Enhancing Wireless Communications for Computation Offloading
我们考虑在配备智能反射表面（IRSs）的无线网络中边缘计算的计算卸载。IRS是一种新兴技术，最近受到了极大的关注，因为它们可以以可配置的方式改善无线传播环境，并增强移动设备（MD）和接入点（AP）之间的连接。在这一点上，没有多少论文在IRS辅助的无线通信的新背景下考虑边缘计算。在我们研究的设置中，每个MD将计算任务卸载到位于AP的边缘服务器，以降低相关的综合成本，这是时间和能量的加权和。边缘服务器调整IRS以最大化其收益，同时维持MD的卸载激励并保证每个MD的定制信息速率。这个问题可以转化为一个困难的优化问题，它有一个比率和的目标函数，以及一堆非凸约束。为了解决这个问题，我们首先开发了一个迭代评估过程，以确定问题的可行性时，面对任意一组的信息速率要求。该方法作为问题可行的充分条件，并提供了一个可行的解决方案。在此基础上，我们开发了一个算法来优化目标函数。我们的数值结果表明，IRS的存在，使AP，以保证更高的信息速率，所有MD，同时提高边缘服务器的收益。
2020-01-28 eess.SP
Fair Computation Offloading for RSMA-Assisted Mobile Edge Computing Networks
针对RSMA辅助MEC系统的公平性与资源分配问题，提出联合优化时间、计算频率、功率、SIC顺序及超图匹配分配的算法，提升最小计算卸载速率，仿真显示其性能优于现有系统。
2024-08-02 eess.SP
Towards Green Mobile Edge Computing Offloading Systems with Security Enhancement
移动边缘计算（MEC）是一种旨在减少延迟的新兴通信方案。在这篇文章中，我们研究了一个绿色MEC系统的窃听存在。我们使用计算效率作为我们的主要指标，计算效率被定义为计算的总比特数除以总能耗。为了减轻严格的延迟要求，提出了一种联合安全卸载和计算模型。此外，我们制定了一个优化问题，最大限度地提高计算效率，在几个实际的约束条件。非凸问题通过逐次凸逼近和迭代算法来解决。仿真结果验证了所提出方案的优越性以及问题解决方案的有效性。
2020-04-11 cs.NI eess.SP
Learning to Optimize Resource Assignment for Task Offloading in Mobile Edge Computing
Southeast University（东南大学）；Purple Mountain Laboratories（紫金山实验室）；Guangzhou University（广州大学）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
在本文中，我们考虑了一个多用户移动边缘计算（MEC）系统，其中的混合整数卸载策略被用来协助资源分配任务卸载。虽然传统的分支定界（BnB）的方法可以用来解决这个问题，一个巨大的负担的计算复杂性，限制了BnB的应用。为了解决这个问题，我们提出了一种智能BnB（IBnB）方法，该方法应用深度学习（DL）来学习BnB方法的修剪策略。通过使用这种学习方案，BnB方法的结构确保了接近最优的性能，同时基于DL的剪枝策略显着降低了复杂度。数值实验结果表明，该方法具有最优的性能，计算复杂度降低了80%以上.
2022-03-15 cs.LG eess.SP
A Latency-Aware Task Offloading in Mobile Edge Computing Network for Distributed Elevated LiDAR
最近，高架LiDAR（ELiD）已被提出作为自动驾驶车辆（AV）中本地LiDAR传感器的替代方案，因为它能够降低成本和计算要求，减少重叠传感器映射区域的数量，并允许使用相同的共享LiDAR地图数据进行多种LiDAR感测应用。由于ELiD已从车辆中移除，因此其数据必须在云端或边缘进行外部处理，因此需要优化的回程系统，以便将数据有效地分配给计算服务器。在本文中，我们解决这个需要一个优化的回程系统，制定一个混合整数规划问题，最大限度地减少平均延迟的上行链路和下行链路逐跳传输加上计算时间为每个ELiD，同时考虑不同的带宽分配方案。我们表明，我们的模型是能够为不同的拓扑结构分配资源，我们进行了敏感性分析，证明了我们的问题制定在不同情况下的鲁棒性。
2020-03-21 eess.SP
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
Energy-Aware Offloading in Time-Sensitive Networks with Mobile Edge Computing
移动边缘计算（MEC）能够在终端用户附近提供丰富的服务，以提供高质量的体验（QoE），并与本地计算相比有助于节能，但会导致通信延迟增加。在本文中，我们研究如何联合优化任务卸载和资源分配，以最大限度地减少能源消耗的正交频分多址网络，其中时间敏感的任务可以处理在本地用户和MEC服务器通过部分卸载。由于该问题的优化变量是强耦合的，我们首先将原问题分解为卸载选择（PO）、发射功率优化（PT）和子载波及计算资源分配（PS）三个子问题，然后提出一种迭代算法依次处理。具体地说，我们导出了PO的封闭解，采用等价的参数凸规划来处理PT中的比率和形式的目标函数，由于PS是NP-困难的，我们在对偶域中交替处理PS。仿真结果表明，该算法优于现有的方案。
2020-03-28 cs.NI eess.SP
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
Decentralized Computation Offloading for Multi-User Mobile Edge Computing: A Deep Reinforcement Learning Approach
Columbia University（哥伦比亚大学）；Amazon Canada（亚马逊加拿大公司）
移动边缘计算（MEC）是最近出现的一种有前途的解决方案，可以将资源有限的移动设备从计算密集型任务中解脱出来，使设备能够将工作负载卸载到附近的MEC服务器，并提高计算体验的质量。然而，通过考虑本文中的多个移动用户与随机任务到达和无线信道组成的MEC系统，计算卸载策略的设计是具有挑战性的，以最小化长期平均计算成本的功耗和缓冲延迟。研究了一种基于深度强化学习（DRL）的分散动态计算卸载策略，以构建一个具有有限反馈的可扩展MEC系统。具体而言，一个连续的动作空间为基础的DRL方法命名为深度确定性策略梯度（DDPG）的学习有效的计算卸载策略独立地在每个移动用户。因此，本地执行和任务卸载两者的功率可以通过从MEC系统的每个用户的本地观察学习的策略来自适应地分配。数值结果表明，有效的政策，可以在每个用户学习，并提出DDPG的分散策略的性能优于传统的深度Q网络（DQN）的离散功率控制策略和其他一些贪婪的策略，减少计算成本。此外，还分析了基于DDPG和基于DQN的策略的功率延迟折衷。
2018-12-16 cs.LG eess.SP math.OC
Offloading and Resource Allocation with General Task Graph in Mobile Edge Computing: A Deep Reinforcement Learning Approach
在本文中，我们考虑一个移动边缘计算系统，其中的接入点协助移动终端（MD）执行的应用程序，包括多个任务后，一般的任务调用图。目标是在时变无线衰落信道和随机边缘计算能力下，联合确定各任务的卸载决策和资源分配，使MD的能量-时间代价（ETC）最小.在一般依赖模型下，由于组合卸载决策和任务执行之间的强耦合，解决该问题特别困难。传统的数值优化方法对求解此类问题效率低下，尤其是当问题规模较大时。为了解决这个问题，我们提出了一个深度强化学习（DRL）框架的基础上的演员-评论家学习结构。特别地，演员网络利用DNN来学习从输入状态到每个任务的二进制卸载决策的最佳映射。同时，通过分析最优解的结构，我们推导出一个低复杂度的算法的评论家网络，以快速评估ETC性能的卸载决定输出的演员网络。通过低复杂度的评论家网络，我们可以快速选择最佳卸载动作，并随后将状态-动作对存储在经验重放存储器中作为训练数据集，以不断改进动作生成DNN。为了进一步降低复杂性，我们表明，最佳卸载决策表现出一个攀登结构，它可以用来显着减少搜索空间的动作生成。数值实验结果表明，对于不同类型的任务图，该算法最高可获得$99.1\%$的最优性能，同时与现有的优化方法相比，显著降低了计算复杂性.
2020-02-19 cs.NI eess.SP
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
Look-Ahead Task Offloading for Multi-User Mobile Augmented Reality in Edge-Cloud Computing
Shandong University（山东大学）
本文针对多用户移动增强现实任务卸载中的高迁移开销和短视问题，提出基于改进蒙特卡洛树搜索的预见性卸载方案，通过有向无环图建模任务依赖并提前估计长期影响，实验证明其能有效提升服务质量且稳定性好。
2023-05-31 cs.AI eess.SP
Task Offloading Optimization in Mobile Edge Computing under Uncertain Processing Cycles and Intermittent Communications
针对移动边缘计算中处理周期不确定与通信间歇导致现有假设失效的问题，推导了D2D辅助MEC系统平均卸载成功概率闭式表达式，构建并证明NP难的任务卸载最大化问题，分别针对对称场景与一般场景提出TSDP和RMA算法，经仿真验证了表达式准确性与算法有效性。
2023-10-07 cs.NI eess.SP
D3PG: Dirichlet DDPG for Task Partitioning and Offloading with Constrained Hybrid Action Space in Mobile Edge Computing
移动边缘计算（MEC）已被认为是通过在网络边缘提供计算资源来减少物联网中数据处理的服务延迟的有前途的范例。在这项工作中，我们联合优化了任务划分和计算能力分配，以便在具有多个物联网设备和多个边缘服务器的动态环境中进行计算卸载。我们将问题表示为具有约束混合动作空间的马尔可夫决策过程，现有的深度强化学习（DRL）算法无法很好地处理该问题。因此，我们开发了一种新的深度强化学习，称为狄利克雷深度确定性策略梯度（D3 PG），它是建立在深度确定性策略梯度（DDPG）来解决这个问题。开发的模型可以学习解决多目标优化，包括最大化到期前处理的任务数量，最小化能源成本和服务延迟。更重要的是，D3 PG可以有效地处理有约束的分布-连续混合动作空间，其中分布变量用于任务划分和卸载，而连续变量用于计算频率控制。此外，D3 PG可以解决MEC和一般强化学习问题中的许多类似问题。大量的仿真结果表明，所提出的D3 PG优于国家的最先进的方法。
2022-03-01 cs.NI eess.SP
Offloading Revenue Maximization in Multi-UAV-Assisted Mobile Edge Computing for Video Stream
针对多无人机辅助视频传输系统的计算资源限制问题，本文提出多无人机辅助D2D移动边缘计算系统，联合优化多维度资源配置并采用TD3算法求解非凸问题，显著提升系统效率以最大化视频流任务卸载收益。
2024-12-05 cs.ET eess.SP
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
Collaborative Computation Offloading in Wireless Powered Mobile-Edge Computing Systems
本文研究了一种新的无线供电移动边缘计算系统中的用户协作模型，其中两个无线用户收集由一个能量节点传输的无线功率，并且可以将他们的部分计算任务卸载到边缘服务器（ES）进行远程执行。特别是，我们认为一个用户到ES之间的直接通信链路被阻塞，使得另一个用户充当中继来将其卸载数据转发到服务器。同时，而不是转发所有接收到的任务数据，我们还允许帮助用户本地计算部分接收到的任务，以减少潜在的高能量和时间成本的任务卸载到ES。我们的目标是通过联合优化每个设备（用户和ES）计算的任务数据量，系统时间分配，用户的发射功率和CPU频率，最大限度地提高在给定的时间范围内可以处理的数据量。我们提出了一种有效的方法来找到最优解，并表明，所提出的用户合作可以有效地提高系统的计算性能相比，其他代表性的基准方法在不同的情况下。
2019-09-04 cs.NI eess.SP
On the Interplay Between Network Metrics and Performance of Mobile Edge Offloading
本文针对5G-MEC任务卸载中任务丢弃率指标被忽略的问题，采用MILP与GA优化时延和任务丢弃率，经NS3仿真验证，效果优于传统卸载方案，且MILP性能优于GA。
2024-01-23 cs.NI eess.SP
UAV-Enabled Mobile Edge Computing: Offloading Optimization and Trajectory Design
随着各种移动应用（如增强现实）的出现，移动用户的体验质量受到其计算能力和有限电池寿命的极大限制。移动边缘计算（MEC）和无线电力传输有望解决这个问题。然而，这两种技术容易受到传播延迟和损耗的影响。为利用无人机通信实现短距离视距，研究了一种基于无人机的无线供电MEC系统。一个功率最小化问题的计算位数和能量收集因果关系的约束下制定。该问题是非凸的，具有挑战性的解决。提出了一种基于序列凸优化的替代优化算法。仿真结果表明，我们提出的设计是优于其他基准计划，所提出的算法是有效的收敛。
2018-02-12 cs.IT eess.SP math.IT
Towards Decentralized Task Offloading and Resource Allocation in User-Centric Mobile Edge Computing
本文提出以用户为中心的移动边缘计算架构UCMEC，并基于多智能体深度强化学习与凸优化设计去中心化联合优化方案，显著提升上行速率并降低长期平均总时延。
2023-12-03 cs.DC cs.SY eess.SP
Congestion-aware Distributed Task Offloading in Wireless Multi-hop Networks Using Graph Neural Networks
Rice University（莱斯大学）；US Army’s DEVCOM Army Research Laboratory（美国陆军DEVCOM陆军研究实验室）
针对无线多跳网络中多设备任务引发的拥塞问题，本文用图机器学习增强分布式贪心框架，提出低开销的拥塞感知卸载方案，并在20–110节点仿真中验证其降拥塞和降延迟效果。
2024-01-21 cs.LG cs.NI eess.SP
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
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
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
Optimal Energy Allocation and Task Offloading Policy for Wireless Powered Mobile Edge Computing Systems
本文研究了一种具有波动信道和随时间动态任务到达的无线供电移动边缘计算（MEC）系统。我们共同优化的能量发射机（ET）的WPT和本地计算和卸载在一个特定的有限的地平线上的用户的任务分配的传输能量分配，在ET的总传输能量消耗最小化的目标，同时确保用户的成功执行任务。首先，为了表征基本性能极限，我们通过假设信道状态信息和任务状态信息的完美知识（即，任务到达定时和量）是先验已知的。在这种情况下，我们通过凸优化技术获得了结构良好的最优解的能量最小化问题的封闭形式。接下来，受到上面获得的结构化离线解决方案的启发，我们开发了启发式在线设计的联合能量和任务分配时，CSI/TSI的知识只是因果关系已知。最后，数值结果表明，所提出的联合设计实现显着更小的能量消耗比基准计划，只有本地计算或完全卸载在用户，所提出的启发式在线设计执行接近最优离线解决方案。
2020-01-13 cs.IT eess.SP math.IT
Evolutionary Multi-Objective Reinforcement Learning Based Trajectory Control and Task Offloading in UAV-Assisted Mobile Edge Computing
Southwest Jiaotong University（西南交通大学）；Chengdu University of Information Technology（成都信息工程大学）
研究了无人机辅助移动边缘计算系统中的轨迹控制和任务卸载（TCTO）问题，其中无人机沿规划轨迹飞行，从智能设备（SD）收集计算任务。我们考虑的场景是，SD不直接由基站（BS）连接，并且UAV有两个角色要扮演：MEC服务器或无线中继。UAV在线做出任务卸载决策，其中收集的任务可以在UAV上本地执行或卸载到BS以进行远程处理。TCTO问题涉及多目标优化，因为其目标是最小化任务延迟和UAV的能量消耗，同时最大化UAV收集的任务数量。这个问题是具有挑战性的，因为这三个目标相互冲突。现有的强化学习（RL）算法，无论是单目标RL还是单策略多目标RL，都不能很好地解决这个问题，因为它们不能在单次运行中输出针对不同偏好（即权重）的多个策略。本文采用进化多目标强化学习（EMORL），多政策多目标强化学习，到TCTO问题。该算法可以在一次运行中输出多个最优策略，每个策略优化某个偏好。仿真结果表明，与两种进化算法和两种多策略强化学习算法相比，该算法能够在策略质量的三个目标之间取得平衡，从而获得更优的非支配策略.
2022-02-24 cs.LG eess.SP
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
Real-World Modeling of Computation Offloading for Neural Networks with Early Exits and Splits
本文研究移动设备上CNN应用的MEC计算卸载，设计并实现了具有早退和分割的CNN以灵活卸载推理任务，真实实验表明该方法显著降低了处理延迟和能耗且不损及准确率，并据此推导出实用模型。
2025-05-28 cs.NI eess.SP
Efficient Resource Allocation for Relay-Assisted Computation Offloading in Mobile Edge Computing
在这篇文章中，我们考虑了中继辅助计算卸载（RACO）的问题，其中用户A的目的是通过配备移动边缘计算能力的中继平台（称为移动边缘中继服务器（MERS））上的无线交换与另一个用户B共享计算任务的结果。为了支持计算卸载，我们提出了一种混合中继（HR）的方法，采用两个正交的频带，其中放大和转发方案用于在一个频带中交换计算结果，而解码和转发方案用于在另一个频带中传输未处理的任务。背后的动机提出的人力资源计划RACO是适应计算和通信资源的分配，以满足动态用户的需求和不同的计算任务。在此框架内，我们寻求最小化的执行延迟和RACO系统中的能量消耗的加权和，通过联合优化的计算卸载比，带宽分配，处理器速度，以及用户$A$和MERS的发射功率电平，在实际的约束下，可用的计算和通信资源。由此产生的问题制定为一个不可微的和非凸的高度耦合的约束优化程序。通过采用一系列的变换和引入辅助变量，我们首先将这个问题转化为一个更易处理的等价形式。然后，我们开发了一个有效的迭代算法，其解决方案的凹凸过程的基础上。利用该问题的特殊结构，我们还提出了一个简化的算法，基于不精确块坐标下降法，具有降低的计算复杂性。最后，我们提出的数值结果，说明了所提出的算法的优势，在国家的最先进的基准计划。
2019-09-01 cs.IT eess.SP math.IT
Collaboration in the Sky: A Distributed Framework for Task Offloading and Resource Allocation in Multi-Access Edge Computing
最近，无人机（UAV）辅助的多址边缘计算（MEC）系统成为向地面基础设施覆盖范围之外的移动用户提供计算服务的有前途的解决方案。然而，由于每个UAV独立地操作，由于UAV的MEC服务器处的有限计算能力以及UAV的能量约束，满足移动用户的计算需求是具有挑战性的。因此，需要无人机之间的合作。本文提出了一种多无人机协同MEC系统与MEC使能地面基站（BS）集成。然后，通过优化卸载决策以及通信和计算资源的分配，在满足移动用户和无人机能量约束的前提下，研究了如何最小化系统中移动用户所经历的总延迟的问题.所提出的问题被证明是一个非凸的，混合整数非线性问题（MINLP），是棘手的。因此，制定的问题被分解为三个子问题：i）用户任务卸载决策问题，ii）通信资源分配问题和iii）无人机辅助MEC决策问题。然后，拉格朗日松弛法和交替方向乘子法（ADMM）的方法来解决分解的问题，交替。仿真结果表明，与贪婪搜索和穷举搜索方法相比，该方法的平均延迟分别降低了40.7%和4.3%。
2021-07-30 cs.NI eess.SP
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
Rate Splitting Multiple Access Aided Mobile Edge Computing in Cognitive Radio Networks
在本文中，我们研究了速率分裂多址接入（RSMA）辅助移动边缘计算（MEC）在认知无线电网络。我们提出了一个RSMA计划，使次要用户卸载任务的MEC服务器利用动态速率分裂，而不会恶化的主要用户的卸载。推导出了最优速率分裂参数的表达式，该参数使次用户的可达速率和所提出的RSMA方案的成功计算概率最大化。通过联合优化任务卸载率和任务卸载时间来最大化成功计算概率，得到了最优解的封闭形式。仿真结果表明，所提出的RSMA方案实现了更高的成功计算概率比现有的非正交多址接入方案。
2022-04-13 cs.IT eess.SP math.IT
Deep Reinforcement Learning Based Mobile Edge Computing for Intelligent Internet of Things
School of Computer Science, Guangzhou University（广州大学计算机学院）；Qingdao University of Technology（青岛理工大学）
在本文中，我们研究了用于智能物联网（IoT）的移动边缘计算（MEC）网络，其中多个用户在多个计算接入点（CAP）的帮助下执行一些计算任务。通过将一些任务卸载到CAP，可以通过减少延迟和能耗来提高系统性能，这是MEC网络中感兴趣的两个重要指标。我们通过深度强化学习算法智能地提出卸载策略来设计系统。在该算法中，深度Q网络用于自动学习卸载决策以优化系统性能，并且训练神经网络（NN）以预测卸载动作，其中训练数据从环境系统生成。此外，我们采用带宽分配，以优化用户和CAP之间的链路的无线频谱，其中几个带宽分配方案提出。进一步，我们使用CAP选择，以选择一个最好的CAP，以协助用户的计算任务。仿真结果表明了该方法的有效性。特别地，通过所提出的基于深度强化学习的算法，可以显著降低延迟和能耗的系统成本。
2020-08-01 cs.LG cs.SY eess.SP
Joint Communication and Computation Optimization for Wireless Powered Mobile Edge Computing with D2D Offloading
本文研究了一种具有设备到设备（D2 D）任务卸载的无线供电移动边缘计算（MEC）系统。在该系统中，一组分布式多天线能量发射器（MIMO）使用协作能量波束成形来对多个用户进行无线充电。通过使用所收集的能量，活跃计算用户节点可以经由D2 D通信链路将其计算任务卸载到附近的空闲用户（作为助手节点），以用于自我可持续的远程计算。我们考虑频分多址（FDMA）协议，使得不同用户-助手对的D2 D通信在正交频带上实现。此外，我们专注于一个特定的时间块的任务执行，这是分为三个插槽的计算任务卸载，远程计算，结果下载，分别在不同的用户助手对。在这种设置下，我们联合优化了协作节点处的协作能量波束成形、用户和助手处的通信和计算资源分配以及用户-助手配对，以便最大化和计算速率（即，在该块上执行的任务输入比特的数量），这受到用户和助手处的个体能量中性约束。首先，我们考虑在任何给定的用户-助手对下的计算速率最大化问题，对于该问题，利用交替优化和凸优化技术提出了一个有效的解决方案。接下来，我们开发了基于穷举搜索的最优用户-助手配对方案和基于贪婪选择的低复杂度方案。数值结果表明，所提出的设计显着提高和计算速度的用户，相比基准计划没有这样的联合优化。
2019-10-31 cs.IT eess.SP math.IT
Computation Offloading in Multi-Access Edge Computing Networks: A Multi-Task Learning Approach
University of Houston（休斯顿大学）；US Air Force Research Laboratory (AFRL)（美国空军研究实验室）
多接入边缘计算（MEC）已经显示出通过将一些任务卸载到与MEC服务器（MES）集成的附近接入点（AP）来使移动设备承载计算密集型应用的潜力。然而，由于MES的变化的网络条件和有限的计算资源，由移动终端做出的卸载决定和由MES分配的计算资源可能无法以最低的成本有效地实现。在本文中，我们提出了一个动态卸载框架的MEC网络，其中的上行链路非正交多址接入（NOMA）是用来使多个设备通过相同的频段上传他们的任务。我们制定的卸载决策问题作为一个多类分类问题和制定的MES计算资源分配问题作为一个回归问题。然后设计了一个基于多任务学习的前向神经网络模型来联合优化卸载决策和计算资源分配。数值结果表明，所提出的MTFNN优于传统的优化方法的推理精度和计算复杂度。
2020-06-29 cs.CC cs.LG eess.SP
