Deterministic Task Offloading and Resource Allocation in the IoT-Edge-Cloud Continuum
Uwicore laboratory, Universidad Miguel Hernandez de Elche（乌维科实验室，埃尔切米格尔·埃尔南德斯大学）
本文提出了一种确定性任务卸载与资源分配方案，旨在优化物联网-边缘-云计算连续体中的通信和计算资源管理，优先保证任务在截止前完成，提升网络性能和资源灵活性。
2026-04-17 cs.NI
Matching-based Service Offloading for Compute-less Driven IoT Networks
随着物联网（IoT）和5G网络的出现，边缘计算为商业模式和用例创新提供了新的机会。服务提供商现在可以在数据中心之外虚拟化云，以满足延迟、数据主权、可靠性和互操作性要求。然而，许多新的应用程序（例如，增强现实、虚拟现实、人工智能）是计算密集型和延迟敏感型的。这些应用程序被大量调用，具有可能导致相同输出的类似输入。无计算网络旨在实现具有最小计算量和通信量的网络。这可以通过将流行服务卸载到边缘来实现，从而最大限度地减少核心网络中的通信，并使用计算重用概念消除冗余计算。在本文中，我们提出了基于匹配的服务卸载方案，用于无计算物联网网络。我们采用匹配理论来匹配服务卸载到合适的边缘服务器。具体来说，我们设计，WHISTLE，一个垂直的多对多卸载方案，旨在卸载调用最多，高度可重用的服务到适当的边缘服务器。我们进一步扩展了WHISTLE，以在边缘服务器之间提供水平的一对多计算重用共享，从而减少了返回到云的计算。我们用真实世界的数据集评估了WHISTLE的效率和有效性。实验结果表明，WHISTLE算法可以使任务完成时间缩短20%，计算量减少77%，通信量减少71%。理论分析也证明了所设计方案的稳定性。
2022-01-11 cs.NI
Isolating SDN Control Traffic with Layer-2 Slicing in 6TiSCH Industrial IoT Networks
IEEE 802.15.4-2015时间调度信道跳变（TSCH）和IETF 6 TiSCH工作组（WG）中的最近标准化努力旨在提供跨受限物联网（IoT）网络的确定性通信和资源的高效分配，特别是在工业IoT（IIoT）场景中。在6 TiSCH中，软件定义网络（SDN）已被确定为在许多关键情况下提供集中控制的手段。然而，在低功耗和有损网络（LLN）中实现集中式SDN架构面临着相当大的挑战：不仅控制器流量由于不可靠的链路和网络争用而受到抖动，而且SDN产生的开销可能严重影响其他流量的性能。本文提出使用6 TiSCH轨道，一种用于跨TSCH网络创建专用转发路径的第2层切片机制，以隔离SDN控制开销。这不仅可以防止控制流量影响其他数据流的性能，而且6 TiSCH轨道的属性允许确定性的低延迟SDN控制器通信。使用我们自己的轻量级SDN实现Contiki操作系统，我们首先展示了SDN控制流量的应用程序数据流通过6 TiSCH网络的影响。然后，我们表明，通过沿着SDN控制路径分配专用资源来切片网络，跟踪提供了一种有效的手段来减轻IEEE 802.15.4-2015 TSCH网络中SDN控制开销的成本。
2019-05-29 cs.NI
DENIS-SDN: Software-Defined Network Slicing Solution for Dense and Ultra-Dense IoT Networks
针对超密集物联网网络，提出基于网络切片的DENIS-SDN开源方案，通过逻辑或物理切片提升分组投递率，实验显示PDR分别提升4.8%和11.6%。
2023-12-21 cs.NI
Joint Traffic Offloading and Aging Control in 5G IoT Networks
5G蜂窝技术的广泛采用将成为物联网应用增长的主要驱动力之一。在本文中，我们考虑了一个基于物联网数据读取启动智慧城市服务的服务提供商（SP）：为了服务于在不同位置收集的物联网数据，SP动态协商和重新调整带宽和服务功能。5G网络切片功能是在异构接入技术和不同站点类型上租用适量资源的关键。此外，不同的基础设施提供商将根据跨站点支持的特定接入技术和物联网数据汇集模式对切片服务收费。我们引入了基于信息时代（AoI）的定价机制，以降低SP的成本。它通过将部分流量负载从高度拥塞和更昂贵的位置转移到收费较低的位置，同时满足物联网服务的QoS要求，为设备提供了平滑流量的激励。所提出的最优定价方案包括两阶段决策过程，其中SP确定每个位置的定价，并且设备基于最优上传策略调度所收集数据的上传。模拟表明，SP通过调整切片成本和上传物联网数据的AoI之间的权衡，实现了一致的成本降低。
2022-01-19 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
LLM-Empowered Agentic AI for QoE-Aware Network Slicing Management in Industrial IoT
State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications（北京邮电大学网络与交换技术国家重点实验室）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；Department of Electrical and Electronic Engineering, University of Hong Kong（香港大学电子电气工程学系）；School of Electrical and Computer Engineering, University of Sydney（悉尼大学电气与计算机工程学院）
本文提出一种基于大语言模型的代理AI方法，用于工业物联网中面向服务质量的网络切片管理，通过整合推理、规划和适应能力，提升网络切片的延迟、可靠性和成本效率。
2025-12-24 cs.NI
Reinforcement Learning-Based Deadline and Battery-Aware Offloading in Smart Farm IoT-UAV Networks
安装有基站的无人机（UAV）是一种很有前途的智能农场监控技术。它们可以为广大的农业地区提供通信和计算服务。在多路访问边缘计算基础设施的帮助下，空中基站（ABS）网络可以为需要处理由现场部署的物联网设备提供的最后期限关键任务的智能农场提供节能解决方案。在本文中，我们介绍了一个多目标最大化问题和Q学习的方法，旨在处理这些任务的截止日期之前，同时考虑到无人机的悬停时间。我们还提出了三个启发式基线来评估我们的方法的性能。此外，我们引入一个整数线性规划（ILP）模型来定义我们的目标函数的上界。结果表明，Q-Learning在剩余能量水平和延迟违规百分比方面优于基线。
2022-02-12 cs.NI
SPATO: A Student Project Allocation Based Task Offloading in IoT-Fog Systems
物联网（IoT）设备高度依赖云系统来满足其存储和计算需求。然而，由于云服务器的远程位置，物联网设备经常遭受间歇性广域网（WAN）延迟，这使得延迟关键型物联网应用程序的执行变得不可想象。为了克服这个问题，服务提供商（SP）通常在网络边缘部署多个雾节点（FN），这有助于执行从IoT设备卸载的计算，并改善用户体验。由于FN的资源有限，因此将物联网服务与FN相匹配，同时从最终用户的角度确保最小的延迟和能量，并从SP的角度最大化收入和满足最后期限的任务是具有挑战性的。因此，在本文中，我们提出了一个学生项目分配（SPA）为基础的有效的任务卸载策略SPATO，考虑到不同的利益相关者的关键参数。仿真结果表明，SPATO算法在保证99.3%的任务在截止期内完成的情况下，可使负载能量和延迟分别降低29%和40%，收益提高25%。
2021-05-22 cs.GT cs.NI
Intelligent Slicing of Radio Resource Control Layer for Cellular IoT: Design and Implementation
蜂窝物联网（CIoT）已经成为满足物联网设备的各种应用的重要分支。在CIoT内，无线电资源控制（RRC）层负责基本功能，诸如无线电接入网络（RAN）中的连接控制和承载建立。各种物联网场景的出现和多样化的业务需求使得RRC层的RAN切片和智能控制都成为迫切的需求。本文旨在通过设计和实现一种新的架构来增强CIoT RRC层的标准化能力，该架构包含RRC切片和智能控制器。该架构旨在实现RRC层切片的创建、修改和删除功能，同时增加智能控制器，以智能地满足不同物联网设备的多样化和动态的业务需求。在开源软件平台OpenAirInterface（OAI）上进一步实现了所提出的架构，在此基础上验证了RRC切片的有效性，并给出了一个采用强化学习来动态调整其中的非连续接收参数的概念验证案例。仿真结果证明了所提出的智能RRC切片架构的有效性。
2020-04-15 cs.IT cs.NI math.IT
RAN Slicing for Massive IoT and Bursty URLLC Service Multiplexing: Analysis and Optimization
未来的无线网络被设想为经由一些无线电接入技术来服务于大规模物联网（mIoT），其中随机接入信道（RACH）过程应当被利用以用于IoT设备接入网络。然而，对大规模物联网设备的RACH过程的理论分析具有挑战性。为了解决这一挑战，我们首先将物联网设备的RACH请求与其维护的队列状态相关联，并分析队列状态的演变。基于分析结果，我们然后推导出随机接入（RA）成功概率的封闭形式的表达式，这是一个重要的指标，表征设备的RACH过程。此外，考虑到将不同服务融合到共享基础设施上的协议，我们研究了用于mIoT和突发超可靠和低延迟通信（URLLC）服务复用的RAN切片。具体而言，我们将RAN切片问题制定为优化问题，以最大化所有IoT设备的总RA成功概率，并以节能的方式为URLLC设备提供URLLC服务。然后提出了一种利用松弛和近似的切片资源优化（SRO）算法，该算法具有可证明的紧密性和误差界，以减轻优化问题。仿真结果表明，所提出的SRO算法能够有效地实现mIoT和突发URLLC业务的业务复用.
2021-01-29 cs.NI eess.SP
Computation Offloading for IoT in C-RAN: Optimization and Deep Learning
我们考虑在多输入多输出（MIMO）云无线接入网络（C-RAN）中物联网（IoT）应用的计算卸载。由于IoT设备（IoTD）中有限的电池寿命和计算能力，IoT设备的计算任务被卸载到MIMO C-RAN，其中MIMO无线电资源头（RRH）通过容量受限的前传链路连接到基带单元（BBU），这由空间滤波和均匀标量量化来促进。我们制定了一个计算卸载优化问题，以最大限度地减少物联网设备的总发射功率，同时满足计算任务的延迟要求，并发现该问题是非凸的。为了获得可行的解决方案，首先在MIMO RRH处局部优化空间滤波矩阵。随后，我们利用交替优化框架对基带单元处的残差变量进行联合优化，其中基带合并器以封闭形式获得，资源分配子问题通过连续内凸化来求解，并且量化比特数通过线搜索方法获得。作为一种低复杂度的方法，我们部署了一种有监督的深度学习方法，该方法使用我们的优化算法的解决方案进行训练。数值结果验证了所提算法和深度学习方法的有效性。
2019-09-24 cs.NI eess.SP
Process migration-based computational offloading framework for IoT-supported mobile edge/cloud computing
移动设备已成为物联网（IoT）不可或缺的组成部分。然而，这些设备在处理能力、电池功率和存储空间方面具有资源约束，从而阻碍了通常需要宽带宽、严格的响应时间、长电池寿命和重计算能力的计算密集型应用的执行。移动云计算和移动边缘计算（MEC）是可以使用卸载算法来满足上述要求的新兴技术。本文分析了边缘网络中依赖于平台的原生应用程序对计算卸载的影响，提出了一个轻量级的基于进程迁移的计算卸载框架。所提出的框架不需要边缘服务器上的应用程序二进制文件，因此可以无缝迁移本地应用程序。建议的框架进行评估，使用实验测试平台。数值结果表明，该框架节省了近44%的执行时间和84%的能源消耗。因此，所提出的框架显示了MEC中资源密集型物联网应用程序处理的巨大潜力。
2019-09-24 cs.DC cs.NI
Heterogeneous GNN-RL Based Task Offloading for UAV-aided Smart Agriculture
针对无人机辅助智慧农业中的物联网任务卸载问题，提出基于图神经网络的强化学习方法，以降低截止时间违约、延长无人机任务时间并提升拓扑变化与故障场景下的鲁棒性。
2023-06-08 cs.NI
IoT-Aerial Base Station Task Offloading with Risk-Sensitive Reinforcement Learning for Smart Agriculture
University of Ottawa（渥太华大学）；Nokia Bell Labs（诺基亚贝尔实验室）
空中基站（ABS）允许智能农场将复杂任务的处理责任从物联网（IoT）设备卸载到ABS。物联网设备具有有限的能量和计算资源，因此需要为需要ABS支持的系统提供先进的解决方案。提出了一种新的基于多参与者的风险敏感强化学习方法用于智能农业ABS任务调度。该问题被定义为任务卸载，其严格条件是在最后期限之前完成物联网任务。此外，该算法还必须考虑ABS的有限能量容量。结果表明，我们提出的方法优于几个算法和经典的Q学习方法。此外，我们提供了一个混合整数线性规划的解决方案，以确定性能的下限，并澄清我们的风险敏感的解决方案和最优解之间的差距，以及。比较证明了我们广泛的仿真结果表明，我们的方法是一种有前途的方法，可以为智能农场中的物联网任务提供有保证的任务处理服务，同时增加该农场中ABS的悬停时间。
2022-09-15 cs.AI cs.NI
UAV-Assisted MEC Architecture for Collaborative Task Offloading in Urban IoT Environment
本文提出一种无人机辅助MEC协作架构，通过联合优化任务卸载策略与无人机拓扑，有效提升了城市物联网环境中的用户满意度与服务商利润。
2025-01-31 cs.NI cs.SY eess.SP
RL-based Adaptive Task Offloading in Mobile-Edge Computing for Future IoT Networks
针对物联网低延迟需求，提出基于强化学习的MEC辅助超密集蜂窝网络任务卸载方案，结合NOMA技术优化资源分配，显著提升能效、吞吐量与用户满意度。
2025-06-20 cs.NI cs.SY eess.SY
Hierarchical Fog-Cloud Computing for IoT Systems: A Computation Offloading Game
雾计算在网络边缘提供低延迟计算服务，是新兴物联网（IoT）系统的推动者。在本文中，我们研究了雾计算资源的物联网用户在一个分层的计算范式，包括雾和远程云计算服务的分配。我们制定了一个计算卸载游戏来模拟物联网用户之间的竞争，并有效地分配雾节点的有限处理能力。每个用户的目标是最大化其自身的体验质量（QoE），这反映了其在计算能量和延迟的减少方面对使用计算服务的满意度。利用潜在的博弈方法，我们证明了一个纯纳什均衡的存在性，并提供了一个上限的无政府代价。由于达到均衡的时间复杂度随着用户数量的增加而呈指数级增加，因此我们进一步提出了一种接近最优的资源分配机制，并证明了在具有$N$ IoT用户的系统中，它可以在$O(N/ε)$时间内实现$ε$ -纳什均衡。通过数值研究，我们评估用户的QoE以及均衡效率。我们的研究结果表明，通过利用所提出的机制，更多的用户受益于计算服务相比，现有的卸载机制。我们进一步表明，我们提出的机制显着降低了计算延迟，并为延迟敏感的物联网应用提供低延迟雾计算服务。
2017-10-17 cs.DC cs.GT cs.NI
Green Offloading in Fog-Assisted IoT Systems: An Online Perspective Integrating Learning and Control
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）
在雾辅助物联网系统中，通常的做法是将任务从物联网设备卸载到其附近的雾节点，以减少任务处理延迟和能耗。然而，在线节能方案的设计仍然是一个开放的问题，因为各种不确定性的系统动力学，如处理能力和传输速率。此外，决策过程受到雾节点和物联网设备资源限制的约束，使设计更加复杂。在本文中，我们制定这样的任务卸载问题与未知的系统动力学作为一个组合的多臂强盗（CMAB）问题的长期约束的时间平均能耗。通过在线学习和在线控制的有效结合，我们提出了一个\textit{Learning-Aided Green Offloading}（LAGO）计划。在LAGO中，我们采用强盗学习方法来处理开发探索权衡，并利用虚拟队列技术来处理长期约束。我们的理论分析表明，LAGO可以减少平均任务延迟与一个可调的次线性遗憾界在有限的时间范围内，并满足长期的时间平均能量约束。我们进行了大量的模拟来验证这些理论结果。
2020-08-01 cs.AI cs.NI eess.SP
Execution Timing Control for Deterministic Task Offloading in the IoT-Edge-Cloud Continuum
Networked Systems Lab, Universidad Miguel Hernandez de Elche（埃尔切米格尔·埃尔南德斯大学网络系统实验室）
该研究针对物联网-边缘-云连续体中任务卸载的拥塞与资源利用问题，提出联合确定任务执行位置与时序的控制策略，显著提升了任务满意度并降低了资源消耗与执行时间。
2026-08-04 cs.DC cs.NI
PORA: Predictive Offloading and Resource Allocation in Dynamic Fog Computing Systems
在多层雾计算系统中，为了加速实时物联网应用的计算密集型任务的处理，资源有限的物联网设备可以将其部分工作负载卸载到附近的雾节点，然后这些工作负载可以卸载到具有更大计算能力的上层雾节点。这种分层卸载虽然有望缩短处理时延，但也可能引起无线传输的过度功耗和时延。随着各种系统动态的时间变化，这种权衡使得进行有效和在线卸载决策变得相当具有挑战性。与此同时，雾计算系统的预测卸载的根本好处仍然没有得到探索。在本文中，我们专注于在多层雾计算系统的流量预测的动态卸载和资源分配的问题。通过将该问题转化为一个随机网络优化问题，我们的目标是在保证系统所有队列稳定的情况下，最小化系统的时间平均功耗。我们利用独特的问题结构，并提出PORA，一个有效的和分布式的预测卸载和资源分配计划的多层雾计算系统。我们的理论分析和仿真结果表明，PORA招致近最优的功耗与队列稳定性保证。此外，PORA仅需要中等价值的预测信息来实现显著的延迟减少，即使有预测误差。
2020-12-15 cs.NI
Quantum-Assisted Online Task Offloading and Resource Allocation in MEC-Enabled Satellite-Aerial-Terrestrial Integrated Networks
本文研究星地空一体化网络中的在线任务卸载与资源分配，提出基于Lyapunov的在线控制算法分解随机优化问题，并设计混合量子-经典广义Benders分解算法高效求解单时隙混合整数非线性规划，以最小化服务延迟。
2024-12-20 cs.NI
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 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
To Risk or Not to Risk: Learning with Risk Quantification for IoT Task Offloading in UAVs
University of Ottawa（渥太华大学）；Nokia Bell Labs（诺基亚贝尔实验室）
针对智能农场物联网（IoT）环境下多接入边缘计算（MEC）辅助无人机（UAV）网络的任务卸载决策算法，提出了一种深度强化学习技术。任务卸载技术使用金融概念，如成本函数和条件风险变量（CVaR），以量化每个风险行为可能造成的损害。该方法能够量化潜在的风险，以训练强化学习代理，以避免将导致农场不可逆转的后果的风险行为。这些后果包括未被发现的火灾、虫害或无人机无法使用。将所提出的基于CVaR的技术与其他深度强化学习技术和两种固定的基于规则的技术进行了比较。仿真结果表明，基于CVaR的风险量化方法消除了最危险的风险，这是超过火灾探测任务的最后期限。因此，它减少了违反最后期限的总数，而能源消耗的增加微不足道。
2023-02-14 cs.AI cs.LG cs.NI
Prediction based computation offloading and resource allocation for multi-access ISAC enabled IoT system
针对高移动性物联网中移动设备资源受限问题，提出基于预测的ISAC系统计算卸载与资源分配框架，通过提取轨迹和速度等数据属性进行分配决策，其ClusterMan软件包在预测中实现了97%的准确率。
2024-06-28 cs.DC cs.ET cs.NI
Smart-Edge-CoCaCo: AI-Enabled Smart Edge with Joint Computation, Caching, and Communication in Heterogeneous IoT
移动通信技术、硬件、分布式计算、人工智能（AI）技术的发展，推动了边缘计算在异构物联网（IoT）领域的应用。以克服传统云计算模式在大数据时代的缺陷。在本文中，我们首先提出了一种新的具有异构物联网架构的AI智能边缘，该架构结合了边缘计算，缓存和通信。然后，我们提出了Smart-Edge-CoCaCo算法。为了最小化总延迟并确定计算卸载决策，Smart-Edge-CoCaCo使用无线通信模型，边缘云中的协同过滤器缓存模型和计算卸载模型的联合优化。最后，我们建立了一个情感交互测试床，在真实环境中进行计算延迟实验。实验结果表明，随着计算任务数据量和并发用户数的增加，Smart-Edge-CoCaCo算法的计算延迟低于传统云计算模型。
2019-01-08 cs.NI
Age of Processing: Age-driven Status Sampling and Processing Offloading for Edge Computing-enabled Real-time IoT Applications
状态信息的新鲜度对于时间关键的物联网（IoT）应用非常重要。测量状态新鲜度的度量是信息年龄（AoI），其捕获从在源节点处生成状态（例如，然而，在智能物联网应用（例如视频监控）中，状态信息在一些计算密集且耗时的数据处理操作之后被揭示，这将影响状态新鲜度。在本文中，我们提出了一种新的度量，年龄的处理（AoP），量化这种状态的新鲜度，它捕获的时间流逝的最新收到的处理状态数据，因为它是生成的。与AoI相比，AoP进一步考虑了数据处理时间。由于物联网设备的计算能力和能量资源有限，设备可以在受限的状态采样频率下选择将数据处理卸载到附近的边缘服务器，通过联合优化状态采样频率和处理卸载策略，实现长期过程中平均AoP最小化。我们制定了这个在线问题作为一个无限时域约束马尔可夫决策过程（CMDP）的平均奖励标准。然后，我们转换CMDP问题到一个无约束的马尔可夫决策过程（MDP），利用拉格朗日方法，并提出了一个拉格朗日转换框架的原始CMDP问题。此外，我们整合的框架与扰动为基础的细化实现CMDP问题的最优策略。广泛的数值评估表明，该算法优于基准，平均AoP减少高达30%。
2020-03-24 cs.NI eess.SP
A Survey on Offloading in Federated Cloud-Edge-Fog Systems with Traditional Optimization and Machine Learning
物联网（IoT）设备生成的大量数据需要云、边缘和雾计算范式提供的计算能力和存储容量。每种计算模式都有自己的优点和缺点。云计算提供了增强的数据存储和计算能力，但会导致高通信延迟。边缘计算和雾计算提供类似的服务，具有较低的延迟，但容量，能力和覆盖范围有限。单一的计算范式无法满足物联网设备的所有要求，需要在它们之间建立联盟来扩展它们的容量、能力和服务。这种联合对用户和提供商都有好处，也揭示了云、边缘和雾之间流量卸载的研究问题。传统上，优化用于解决流量卸载问题。然而，在这样一个复杂的联邦系统中，传统的优化无法跟上决策制定的严格延迟要求，从毫秒到亚秒。机器学习方法，特别是强化学习，因此变得流行，因为它们可以快速地解决具有大量未知信息的动态环境中的卸载问题。这项研究提供了云、边缘和雾之间的一种新的联邦分类，并为不同的联邦场景提供了一个全面的研究路线图。我们调查的各种优化方法来解决这个卸载问题的相关文献，并比较其显着特点。然后，我们提供了一个全面的调查卸载联邦系统与机器学习的方法和经验教训，作为这些调查的结果。最后，我们概述了未来的研究和挑战，必须面对的几个方向，以实现这样的联邦。
2022-02-22 cs.NI
Koopman based trajectory model and computation offloading for high mobility paradigm in ISAC enabled IoT system
HCMC University of Technology（胡志明市技术大学）；VNU-HCM（胡志明市国家大学）
本文针对ISAC使能的物联网高移动性场景，提出基于Koopman的轨迹模型和贪婪资源分配优化策略，以最小化多用户网络总能耗，实验显示每1000次迭代可提升33%。
2024-06-28 cs.LG cs.NI cs.SY
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
Offloading Execution from Edge to Cloud: a Dynamic Node-RED Based Approach
雾计算支持在终端设备中生成的数据直接在网络边缘存储、处理和操作的用例，但计算可以通过边缘到云连续体卸载到更强大的实例。这种卸载机制在现代多用途物联网网关的情况下尤其需要，其中需求和操作条件在部署之间可能会有很大变化。为了促进网关的开发和运营，我们直接实施卸载，作为嵌入在软件堆栈中的物联网快速原型过程的一部分，基于Node-RED。我们评估实施的方法，使用图像处理的例子，并比较各种卸载策略的基础上，资源消耗和其他系统指标，突出处理需求和服务水平达到的差异。
2018-10-26 cs.DC cs.NI cs.PF
Energy Savings by Task Offloading to a Fog Considering Radio Front-End Characteristics
雾计算可用于从电池供电的物联网（IoT）设备卸载计算密集型任务。虽然它减少了物联网设备中计算所需的能量，但它使用能量与雾进行通信。本文分析了何时使用雾计算比本地计算更节能。详细的能量消耗模型建立在内置的两种情况下的能量消耗和功率放大器（PA）引入的失真之间的关系的焦点设置。数值结果表明，任务卸载到雾是最节能的短，宽带链路。
2021-04-26 cs.DC cs.NI eess.SP
VSDM: A Virtual Service Device Management Scheme for UPnP-Based IoT Networks
物联网设备无处不在的特性为计算和通信范式带来了新的令人兴奋的应用。由于其能够在物联网设备、普适应用程序和远程客户端之间实现自动配置的通信，通用即插即用（UPnP）协议的使用非常广泛。然而，UPnP的广告和发现机制在资源受限的IoT设备上产生了显著的开销。在本文中，我们提出了一种基于委托的方法，该方法通过将服务广告和发现相关开销从资源有限的物联网设备卸载到启用UPnP的物联网网络的资源丰富的邻居来扩展UPnP协议。我们的实验评估表明，该方案显示出显着的改进，基本的UPPENDIX，降低能耗和网络开销。
2020-11-04 cs.NI
Task Offloading with Multi-Tier Computing Resources in Next Generation Wireless Networks
随着下一代无线网络的发展，物联网（IoT）正在向智能物联网（iIoT）发展，其中智能应用通常具有严格的延迟和抖动要求。为了在新兴的iIoT中为异构用户提供低延迟服务，通过有效结合边缘计算和雾计算，提出了多层计算。更具体地，多层计算系统通过沿着从云到事物的连续体将计算任务卸载和分散到多层节点来补偿云计算。在本文中，我们调查的关键技术和无线通信和资源分配方法，使多层计算系统中的任务卸载的方向。详细介绍了一个多层计算模型的主要功能和优化方法。我们希望本文将作为一个有价值的参考和指导的理论，算法和系统的机会，多层计算对下一代无线网络。
2022-05-27 cs.NI eess.SP
Deep Reinforcement Learning for Adaptive Network Slicing in 5G for Intelligent Vehicular Systems and Smart Cities
University of South Florida（南佛罗里达大学）；Electrical Engineering Department, University of South Florida（南佛罗里达大学电气工程系）；University of South Florida, Tampa, FL 33620, USA（南佛罗里达大学，美国佛罗里达州坦帕市，邮编33620）
智能车辆系统和智慧城市应用是增长最快的物联网（IoT）应用，复合年增长率为30%。鉴于物联网设备的最新进展和人工智能（AI）驱动的新兴物联网应用，最近已为第五代（5G）无线通信引入雾无线电接入网络（F-RAN），以克服云RAN（C-RAN）的延迟限制。我们认为网络切片问题分配有限的资源在网络边缘（雾节点）的车辆和智能城市用户异构的延迟和计算需求在动态环境中。我们开发了一种基于与边缘控制器（EC）协调的雾节点（FN）集群的网络切片模型，以有效地利用网络边缘的有限资源。对于集群中的每个服务请求，EC决定哪个FN执行任务，即，在边缘本地服务请求，或者拒绝任务并将其提交给云。我们将问题表示为无限时域马尔可夫决策过程（MDP），并提出了一种深度强化学习（DRL）解决方案来自适应地学习最优切片策略。建议的DRL为基础的切片方法的性能进行评估，通过比较它与其他切片方法在动态环境中，并为不同的情况下的设计目标。综合仿真结果证实，提出的基于DRL的EC通过与环境的交互快速学习最优策略，从而实现自适应和自动化的网络切片，以在动态车辆和智能城市环境中实现高效的资源分配。
2020-10-19 cs.AI cs.LG cs.NI
Joint Data Deepening-and-Prefetching for Energy-Efficient Edge Learning
普适机器学习（ML）服务的愿景可以通过使用物联网（IoT）设备收集的实时数据及时训练ML模型来实现。为此，物联网设备需要将其数据卸载到附近的边缘服务器。另一方面，具有大量的高维数据对具有有限能量预算的IoT设备造成显著负担。为了解决这个问题，我们提出了一种新的卸载架构，称为联合数据深化和预取（JD 2 P），这是一个由两个关键技术组成的特征-特征卸载。第一个是数据深化，其中每个数据样本的特征按照数据嵌入技术（如主成分分析（PCA））确定的重要性顺序依次卸载。当到目前为止卸载的特征足以对数据进行分类时，不再卸载更多的特征，从而减少卸载的数据量。第二个是数据预取，其中一些未来可能需要的功能被提前卸载，从而通过精确预测和参数优化来实现高效率。为了验证JD 2 P的有效性，我们使用MNIST和时尚MNIST数据集进行实验。实验结果表明，JD 2 P可以显着降低预期的能源消耗相比，几个基准，而不会降低学习精度。
2022-11-14 cs.NI
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
TODG: Distributed Task Offloading with Delay Guarantees for Edge Computing
边缘计算已经成为一种有效的方式，通过计算卸载为资源和延迟敏感的物联网应用提供即时和接近数据的计算服务。有效的计算卸载策略需要综合处理几个主要问题，包括动态通信和计算资源的分配，异构任务的截止期限约束，以及计算成本低和分布式算法的要求。然而，现有的大部分工作主要集中在这些问题的一部分，这将不足以在复杂和实际的情况下达到预期的性能。为了应对这一挑战，在本文中，我们系统地研究了具有硬延迟约束的分布式计算卸载问题，其中异构计算任务需要通过有限数量的随机通信信道不断卸载到一组边缘服务器。然后将任务卸载问题转化为未知先验统计知识下的时延约束长期随机优化问题。为了解决这个问题，我们首先提供了一个技术路径转换和分解成几个槽级的子问题，然后我们开发了一个分布式的在线算法，即TODG，有效地分配资源和调度卸载任务的延迟保证。此外，我们提出了一个全面的分析TODG，在最优性差距，延迟保证，和系统参数的影响。大量的仿真结果证明了TODG的有效性和效率。
2021-09-23 cs.NI
Edge Cloud Offloading Algorithms: Issues, Methods, and Perspectives
支持“物联网”（IoT）的移动设备通常在计算、电池能量和存储空间方面具有有限的能力，特别是支持涉及虚拟现实（VR）、增强现实（AR）、多媒体交付和人工智能（AI）的资源密集型应用，这可能需要宽带宽、低响应延迟和大计算能力。边缘云或边缘计算是一种新兴的主题和技术，可以解决当前仅集中式云计算模型的不足，并将计算和存储资源移动到更靠近设备的位置，以支持上述应用。为了实现这一点，需要有效的协调机制和“卸载”算法，以允许移动设备和边缘云顺利地协同工作。在这篇调查论文中，我们调查了与卸载问题相关的关键问题、方法和各种最先进的努力。我们采用了一种新的特征化模型来研究从移动设备到边缘云的整个卸载过程。通过全面的讨论，我们的目标是对现有的努力和研究方向绘制一个整体的“大画面”。我们的研究还表明，边缘云中的卸载算法在未来的技术和应用开发中表现出了巨大的潜力。
2018-06-16 cs.NI
Towards a Partial Computation offloading in In-networking Computing-Assisted MEC: A Digital Twin Approach
本文提出数字孪生赋能的分布式部分计算卸载框架，结合精确势博弈与 DDQN 联合优化卸载决策、比例及资源分配，以降低工业 IoT 在 C-MEC 中的时延并提升可靠性。
2024-04-08 cs.NI
An Auction-Based Mechanism for Optimal Task Allocation and Resource Aware Containerization
GALGOTIAS COLLEGE OF ENGINEERING AND TECHNOLOGY（加尔戈蒂亚斯工程与技术学院）
本文提出AUC-RAC机制，通过基于拍卖的投标过程优化IoT设备中本地服务器的任务分配与资源管理。
2026-02-12 cs.DC cs.NI
Multi-Agent RL-Based Industrial AIGC Service Offloading over Wireless Edge Networks
School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）；Shanghai Key Laboratory of Integrated Administration Technologies for Information Security（上海信息安全综合管理技术重点实验室）；California Polytechnic State University（加州州立理工大学）
本文提出生成模型驱动的工业AIGC协同边缘学习框架GMEL，通过多任务计算卸载模型和注意力增强多智能体强化学习算法AMARL优化边缘服务器上的异构AIGC任务执行，实验证明其能有效降低系统总时延。
2024-05-05 cs.AI cs.NI
A Proactive Uncertainty driven Model for Tasks Offloading
最终用户对物联网（IoT）的需求不断增长，通常会导致服务于其请求的节点出现严重拥塞。因此，出现了节点过载的问题。在这篇文章中，我们试图解决在一个节点的交通繁忙的问题，提出了一种机制，使节点从过载，无论进入它的负载，并考虑到优先级和任务的需求。更具体地说，我们引入了一个积极的，自我修复的机制，利用模糊系统，结合非参数统计方法。通过我们的方法，我们设法确保高需求或优先级任务的不间断服务，无论节点可能收到的负载如何，基于主动方法。此外，我们通过高优先级和高需求敏感机制，确保尽可能快地将结果交付给请求者。一系列的实验方案被用来评估所建议的模型的性能，而我们提出了相关的数值结果。
2022-07-16 cs.NI
Joint Wireless and Edge Computing Resource Management with Dynamic Network Slice Selection
网络切片是在边缘计算系统中实现低延迟计算卸载的一种有前途的方法。在本文中，我们考虑了网络切片下的边缘计算系统，其中无线设备生成延迟敏感的计算任务。我们解决的问题，联合动态分配的计算任务的切片，跨切片的无线电资源的管理和切片内的无线电和计算资源的管理。我们制定的联合切片选择和边缘资源管理（JSS-ERM）问题作为一个混合整数问题的目标，以最大限度地减少计算任务的完成时间。我们表明，JSS-ERM问题是NP-难的，并开发了一个近似算法与有界的逼近比的基础上的博弈论处理的问题。我们提供了大量的仿真结果表明，网络切片可以提高系统的性能相比，没有切片，所提出的解决方案可以实现显着的收益相比，平等的切片政策。我们的研究结果还表明，所提出的算法的计算复杂性是近似线性的设备的数量。
2020-01-22 cs.NI eess.SP
NOMA-Assisted Multi-BS MEC Networks for Delay-Sensitive and Computation-Intensive IoT Applications
University of Science and Technology of China（中国科学技术大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出NOMA辅助多基站MEC网络，通过联合优化任务卸载、用户分组和功率分配，降低系统总延迟和功率消耗。
2026-02-07 cs.NI cs.SY eess.SY
Federated Orchestration for Network Slicing of Bandwidth and Computational Resource
网络切片一直被认为是5G支持多样化物联网服务和应用场景的关键推动因素之一。本文研究了5G支持的大规模物联网网络的分布式网络切片与雾计算。具有不同需求的多种服务需要由5G网络提供的频谱资源和雾计算网络的计算资源来支持。我们提出了一种新的分布式框架的基础上，一个新的控制平面实体，联邦协调器，它可以协调频谱和计算资源，而不需要任何交换的本地数据和资源信息从BS。提出了一种基于部分变量分裂乘子交替方向法的分布式资源分配算法。我们证明了DistADMM-PVS最大限度地减少了整个网络的平均服务响应时间，并保证了所有支持的服务类型的最坏情况下的性能时，F-协调器和BS之间的协调是完全同步的。基于协调同步可能导致高协调延迟，当网络规模很大时，这是无法容忍的，我们提出了一种新的简化ADMM算法。我们证明了AsynADMM可以收敛到全局最优解，具有更好的可扩展性和可忽略的协调延迟。我们使用在5G网络支持的校园智能交通系统中收集的两个月的交通数据来评估我们提出的框架的性能。我们已就繁忙及非繁忙时间的行人及车辆相关服务进行广泛的模拟。我们的研究结果表明，所提出的框架提供了显着减少的服务响应时间为两个支持的服务，特别是与网络切片只有一个单一的资源。
2020-02-06 cs.NI eess.SP
Intelligent Backhaul Link Selection for Traffic Offloading in B5G Networks
针对5G回传网络的容量压力问题，提出结合网络切片、IAB与卫星连接的动态回传方案，用DRL模型为拥塞基站切片选路，仿真验证DDQN智能体仅需约20个训练回合即可实现回传拓扑调整。
2025-01-15 cs.NI
Hierarchical Aerial Computing for Internet of Things via Cooperation of HAPs and UAVs
随着计算需求的爆炸性增长，多访问边缘计算（MEC）范式作为一种有效的机制出现。此外，对于需要MEC服务的灾害或偏远地区的物联网（IoT），无人机（UAV）和高空平台（HAP）可为这些IoT设备提供空中计算服务。本文开发了由HAP和无人机组成的分层空中计算框架，为各种物联网应用提供MEC服务。特别地，该问题被公式化为最大化由空中MEC平台计算的总IoT数据，受限于IoT的延迟要求以及UAV和HAP的多个资源约束，这是一个整数规划问题并且难以解决。由于穷举搜索的复杂性，我们通过提出基于匹配博弈论的算法来处理从物联网设备到无人机的卸载决策，以及无人机和HAP之间的卸载决策的启发式算法来处理这个问题。通过外部性消除机制来解决匹配中不同物联网设备之间相互作用的外部效应。此外，还提出了一种调整算法，以最大限度地利用空中资源。分析了算法的复杂度，并通过大量的仿真实验验证了算法的有效性，最后通过仿真结果分析了系统的性能。
2022-02-12 cs.NI eess.SP
A Secure Dynamic Edge Resource Federation Architecture for Cross-Domain IoT Systems
5G通信、人工智能（AI）和物联网（IoT）技术的快速集成有望使下一代网络（NGN）能够为智慧城市提供各种智能服务和用户定义的应用。然而，构建一个可扩展且高效的基础设施，以满足跨多个管理域的异构物联网应用程序的各种性能，安全性和管理需求仍然具有挑战性。本文提出了一种动态边缘资源联邦架构，该架构集成了网络切片（NS）和区块链的概念，以提高多域物联网应用的可扩展性，动态性和安全性。一种支持NS的动态边缘资源联合框架采用智能机制来支持满足不同的服务质量（QoS）和安全需求的高效多域服务协调。我们提出了一个分层集成联邦分类帐（HIFL），其目的是保证分散的安全性和隐私保护的属性，在多域资源编排和服务重新调整。作为一种安全的设计解决方案，HIFL有望支持高效、可信和安全的端到端物联网服务。一个初步的概念验证原型已经实施比较内部和域间的性能预期。
2022-08-02 cs.NI
Deep Reinforcement Learning for Online Computation Offloading in Wireless Powered Mobile-Edge Computing Networks
无线供电的移动边缘计算（MEC）最近已经成为增强低功耗网络（例如无线传感器网络和物联网（IoT））的数据处理能力的有前途的范例。在本文中，我们考虑一个无线供电MEC网络，采用二进制卸载政策，使每个计算任务的无线设备（WD）要么在本地执行或完全卸载到MEC服务器。我们的目标是获得一个在线算法，最佳适应任务卸载决策和无线资源分配随时间变化的无线信道条件。这需要在信道相干时间内快速解决困难的组合优化问题，这是用传统的数值优化方法难以实现的。为了解决这个问题，我们提出了一个基于深度强化学习的在线卸载（DROO）框架，该框架将深度神经网络实现为可扩展的解决方案，该解决方案从经验中学习二进制卸载决策。该算法不需要求解组合优化问题，从而大大降低了计算复杂性，特别是在大规模网络中。为了进一步降低复杂性，我们提出了一个自适应的过程，自动调整的DROO算法的参数在飞行中。数值结果表明，与现有的优化方法相比，该算法在获得接近最优性能的同时，计算时间显著减少了一个数量级以上.例如，在$30$ -用户网络中，DROO的CPU执行延迟小于$0.1$秒，使得实时和最佳卸载即使在快速衰落环境中也真正可行。
2020-07-15 cs.NI
Stochastic End-to-End Latency Modeling of the IoT-Edge-Cloud Continuum: Impact of Jitter and Traffic Variability on Deterministic Service Provisioning
Networked Systems Lab, Universidad Miguel Hernández de Elche（埃尔切米格尔·埃尔南德斯大学网络系统实验室）
本文针对物联网-边缘-云连续体，提出基于队列的端到端延迟模型，分析时间可变性对确定性服务提供的影响，得出不同类型服务的最优执行位置及卸载策略相关结论。
2026-08-27 cs.NI
A Network-based Compute Reuse Architecture for IoT Applications
物联网（IoT）的巨大进步越来越多地涉及计算密集型服务。这些服务通常需要更多的计算资源，而不是在本地物联网设备上完全满足。云计算传统上用于在远程服务器处提供无限的计算资源。然而，这种远程计算可能无法解决当今许多物联网应用所需的短延迟约束。边缘计算允许将计算卸载到终端用户附近，以克服计算和延迟问题。尽管如此，边缘服务器可能遭受计算效率低下。事实上，一些物联网应用程序被多个设备多次调用。这些调用通常与相同或相似的输入数据一起使用，这导致相同的计算输出（结果）。边缘服务器仍然会故意执行所有接收到的冗余任务。在这项工作中，我们研究了在边缘服务器上使用计算重用概念。我们为物联网应用设计了一个基于网络的计算重用架构。该架构存储以前执行的结果，并重用它们来满足新到达的类似任务，而不是从头开始执行计算。通过这样做，我们消除了冗余计算，优化了资源利用率，并减少了任务完成时间。我们实现了架构，并评估其性能在网络和应用程序的水平。从网络的角度来看，我们达到了任务完成时间减少80%，资源利用率减少60%。从应用的角度来看，我们实现了高达90%的计算正确性和准确性。
2021-04-08 cs.NI
Computation Resource Allocation for Heterogeneous Time-Critical IoT Services in MEC
移动边缘计算（MEC）是在短延迟内处理新兴物联网（IoT）用例的计算密集型任务的有前途的解决方案之一，例如，虚拟现实（VR）、增强现实（AR）、自动驾驶车辆。由于MEC系统中异构服务的共存，任务到达间隔和所需的执行时间可以根据服务而变化。在边缘服务器（ES）上调度具有随机到达和运行时间的服务的计算资源是一个挑战。本文提出了一种在用户和ES之间进行灵活计算卸载的框架，并在此框架基础上提出了一种基于Lyapunov的算法，为ES上的异构时间关键服务动态分配计算资源。该算法在不需要任何关于任务到达过程和所需运行时间的先验知识的情况下，最小化了平均超时概率。数值实验结果表明，与ES中使用的标准排队模型相比，该算法实现了至少35%的超时概率降低，并且在各种场景下计算资源的利用效率接近于无因排队模型。
2020-02-12 cs.NI
