Energy-Efficient Real-Time Job Mapping and Resource Management in Mobile-Edge Computing
针对MEC中受截止期限约束且存在通信与计算争用的作业卸载问题，联合调度、资源分配与设备移动性，提出离线近似算法LHJS和在线启发式算法LBS以最大化节能。
2025-06-15 cs.DC
Localized Mobile Agent Framework for data processing on Internet of Things
物联网（IoT）是最近趋势中的主要研究领域。物联网有能力与任何对象进行通信。物联网在收集数据时会产生大量的原始数据。因此，需要有效的机制来解决物联网问题。本文介绍了物联网的本地化MapReduce框架。该框架在本地节点处处理数据，而不将数据传输到云或高端的服务器。移动代理具有从一个节点迁移到另一个节点进行数据处理的能力，Mapper和Reducer用于代理复制和结果聚合。使用成本函数对该框架的性能进行了评估，结果证明了该框架的有效性。
2020-04-03 cs.DC cs.SI
Fast and Energy-Efficient CNN Inference on IoT Devices
University of California, Davis（加州大学戴维斯分校）
卷积神经网络（CNN）在各种机器学习任务中表现出卓越的性能。随着配备传感器的物联网（IoT）设备渗透到现代生活的各个方面，在资源受限的设备上运行CNN推理（一种计算密集型应用）变得越来越重要。我们提出了一种在移动SoC平台上快速节能的CNN推理技术，该平台预计将成为物联网领域的主要参与者。我们提出了针对移动GPU的CNN推理的高效并行化技术，并探索了潜在的权衡。在三种不同的移动设备上运行Squeezenet的实验证实了我们的方法的有效性。如需进一步研究，请参阅GitHub页面上的项目存储库：https://github.com/mtmd/Mobile_ConvNet
2016-11-22 cs.DC cs.LG
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
Urban Green Governance: IoT-Driven Management and Enhancement of Urban Green Spaces in Campobasso
针对城市绿地管理效率问题，本文介绍坎波巴索市智慧绿色城市项目，通过集成物联网传感器与数据驱动平台，利用机器学习优化灌溉并实时监测，提升城市环境韧性与居民生活质量。
2025-09-26 cs.CY cs.DC
Integrated user scheduling and beam steering in over-the-air federated learning for mobile IoT
针对移动物联网联邦学习中无线资源稀缺导致的通信效率问题，提出用户调度与接收波束成形集成方案及低复杂度调度策略，有效降低聚合误差、提升学习性能。
2025-08-01 cs.DC
Software-based Security Framework for Edge and Mobile IoT
提出一种基于轻量级密码学的软件安全框架，通过集成Edge服务器和中央Name Server实现去中心化认证，平衡IoT设备的安全鲁棒性与能效。
2024-04-09 cs.CR cs.DC
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
BRPL: Backpressure RPL for High-throughput and Mobile IoTs
RPL是一种用于低功耗有损网络（LLN）的IPv6路由协议，被认为是物联网（IoT）的事实上的路由标准。然而，越来越多的实验结果表明，RPL表现不佳，在吞吐量和适应网络动态。这极大地限制了RPL在许多实际物联网场景中的应用，例如具有高速传感器数据流和移动传感设备的LLN。为了解决这个问题，我们开发了BRPL，RPL的扩展，提供了一个实用的方法，允许用户顺利结合任何RPL对象函数（OF）与背压路由。BRPL使用两种新的算法，QuickTheta和QuickBeta，分别支持时变的数据流量负载和节点的移动性。我们在Contiki OS上实现了BRPL，Contiki OS是一个用于物联网的开源操作系统。我们使用基于FIT IoT实验室测试平台的真实世界实验和使用Cooja在云上的18个虚拟服务器上进行的大规模模拟进行了广泛的评估。评估结果表明，BRPL不仅与RPL完全向后兼容（即运行RPL和BRPL的设备可以无缝协同工作），而且还显著提高了网络吞吐量以及对网络拓扑和数据流量负载变化的适应性。在移动网络中观察到的分组丢失减少至少为60%，在极端情况下可以看到高达1000%。
2017-05-20 cs.DC cs.NI
Joint Task Partitioning and Parallel Scheduling in Device-Assisted Mobile Edge Networks
本文针对设备辅助移动边缘计算中任务划分与并行调度的联合优化问题，提出基于深度强化学习的OTPPS框架，并设计FDMTS算法解决NP-hard调度子问题，实现近最优延迟和高公平性。
2023-12-04 cs.DC
Deep Reinforcement Learning for Online Latency Aware Workload Offloading in Mobile Edge Computing
由于物联网（IoT）设备的资源受限特征，将任务从IoT设备卸载到附近的移动边缘计算（MEC）服务器不仅可以节省IoT设备的能量，而且还可以减少执行任务的响应时间。然而，由于MEC服务器的有限计算资源，将任务卸载到最近的MEC服务器可能不是最佳解决方案。因此，联合优化卸载决策和资源管理至关重要，但仍有待探索。这里，卸载决策指的是在哪里卸载任务，并且资源管理意味着MEC服务器中有多少计算资源被分配给任务。通过考虑任务在通信队列和计算队列中的等待时间，（这被大多数现有的工作所忽略）以及任务优先级，我们提出了\ul{D} eep reinforcement l \ul{E} arning based offloading de \ul{C} Vision and r \ul{E} source manageme \ul{NT}（DECENT）算法，该方法利用优势参与者评价方法来优化卸载决策，并为每个到达的任务实时计算资源分配。时间，使得可以最小化累积加权响应时间。DECENT的性能通过不同的实验证明。
2022-10-29 cs.DC
Wireless IoT Energy Sharing Platform
无线能量共享是为物联网设备充电的一种新颖方便的替代方案。在这篇演示论文中，我们提出了一个点对点无线能源共享平台。该平台使用户能够与附近的物联网设备无线交换能量。能源共享平台允许物联网用户无线发送和接收能源。该平台包括：（i）一个移动应用程序，用于监控和监测两个物联网设备之间的能量传输;（ii）一个后端，用于注册能源供应商和消费者，并存储他们的能量传输交易。开发的框架允许收集真实的无线能量共享数据集。在收集的数据集上进行了一组初步实验，以分析和展示当前无线能量共享技术的行为。
2022-01-27 cs.DC
Seamless Deployment of Machine Learning Inference at the Far Edge: An Empirical AWS IoT Greengrass Architecture for Industrial Predictive Maintenance
Kwame Nkrumah University of Science and Technology（科瓦梅·恩克鲁玛科技大学）
本文针对工业预测性维护的需求，提出基于AWS IoT Greengrass v2的混合云-边缘架构，通过实验验证其可大幅降低带宽与延迟，解决现有相关研究的四大空白。
2026-10-14 cs.AI cs.DC
Delay-aware Resource Allocation in Fog-assisted IoT Networks Through Reinforcement Learning
Virginia Tech（弗吉尼亚理工大学）；China University of Petroleum（中国石油大学）
物联网设备附近的雾节点有望通过将物联网设备的任务卸载到它们来提供低延迟服务。移动物联网由车辆、可穿戴设备和智能手机等移动物联网设备组成。由于时变的信道条件、业务负载和计算负载，提高移动IoT设备的服务质量（QoS）具有挑战性。由于任务延迟由传输延迟和计算延迟组成，我们研究了资源分配（即，包括无线资源和计算资源），以在满足QoS约束的同时最小化所有任务的延迟。我们将资源分配问题转化为一个整数非线性问题，其中既考虑了无线资源，又考虑了计算资源。由于物联网任务是动态的，不同任务的资源分配是相互耦合的，并且获得未来的信息是不切实际的。为此，我们设计了一种在线强化学习算法，根据系统的经验回放数据，实时的做出次优决策。所设计的算法的性能已被广泛的仿真结果所证明。
2020-07-10 cs.DC cs.LG eess.SP
Intent-driven Diffusion-based Path for Mobile Data Collector in IoT-enabled Dense WSNs
Annamacharya University（安纳马查亚大学）
本文提出ID2P2框架，通过意图驱动的扩散路径规划，提升物联网密集WSN中移动数据收集器的能效、数据新鲜度和网络公平性。
2026-02-05 cs.DC cs.NI
Efficient micro data centres deployment for mobile healthcare monitoring systems in IoT urban scenarios
Complutense University of Madrid（马德里康普顿斯大学）
在过去的十年中，物联网范式导致连接设备数量呈指数级增长。这种趋势使互联网更接近日常活动，并使数据汇集能够用于创建和改进各种服务和应用程序。尽管有很大的好处，但这种模式也带来了一些挑战。需要更强大的存储和处理能力来为所有这些设备提供服务。此外，部署和管理基础设施以有效支持这些资源的需求仍然是一个挑战。建模和仿真可以帮助设计和分析这些场景，提供灵活而强大的机制来研究和比较不同的策略和基础设施。在这种情况下，微型数据中心（MDC）可以作为减少不堪重负的云数据中心基础设施的有效方法。本文探讨了一种M\&S方法来研究医疗物联网场景的整体功耗。患者佩戴非侵入式监测设备，该设备定期生成要在MDC中执行的任务。我们提取现有的城市基础设施的布局，模拟监测人口的行为，并比较几个数据中心配置的功耗。
2023-02-20 cs.AI cs.DC
Reliability Model for Incentive-Driven IoT Energy Services
我们提出了一种新的可靠性模型组成的能源服务请求。该模型是基于消费者的行为和历史的能源需求。可靠性模型确保了对供应商的最大激励。激励措施被用作绿色解决方案，以增加物联网用户在众包能源共享环境中的参与。此外，提出了自适应和优先级调度组合，以组成最可靠的能源请求，同时最大限度地提高供应商的激励。一组实验进行评估所提出的方法。实验结果证明了所提出的方法的有效性。
2021-01-20 cs.DC
Data-driven Trust Bootstrapping for Mobile Edge Computing-based Industrial IoT Services
Hitachi Construction Machinery（日立建设机械）；School of Computing Technologies RMIT University（RMIT大学计算技术学院）
本文提出一种数据驱动且上下文感知的信任引导方法，通过MEC环境间知识共享解决数据稀疏和上下文不均衡问题，并在两个真实数据集上验证了其在工业物联网服务可信度引导中的有效性。
2025-08-18 cs.CR cs.DC cs.LG
Crowdsharing Wireless Energy Services
我们提出了一种新的自我维持的生态系统，用于物联网环境中的能源共享。我们利用能源收集、无线电力传输和众包，促进能源众包框架的开发，为物联网设备充电。物联网设备的无处不在，加上共享能源的潜在能力，为众包无线能源提供了新的令人兴奋的机会，从而为随时随地为物联网设备供电提供了绿色替代方案。我们讨论了能源服务的众包，开放的挑战，并提出了解决方案。
2020-11-25 cs.DC
BEFL: Balancing Energy Consumption in Federated Learning for Mobile Edge IoT
East China Normal University（华东师范大学）
针对移动边缘物联网联邦学习中的设备能耗不均问题，提出BEFL框架，联合优化资源分配、启发式客户端选择及模仿与强化学习，提升精度并显著降低能耗方差和总能耗。
2024-12-05 cs.DC cs.LG
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
Energy efficient distributed analytics at the edge of the network for IoT environments
National Research Council（国家研究委员会）
由于个人移动和IoT设备的普及，许多“智能环境”（例如，智能城市和智能工厂）将成为大量数据的生成器。目前，这些数据的分析通常是通过集中的基于云的服务来实现的。然而，根据许多研究，从数据所有权以及无线网络容量的角度来看，这种方法可能存在重大问题。在本文中，我们利用雾计算范式将计算移动到产生数据的地方。我们利用了一个著名的分布式机器学习框架（假设迁移学习），并对经过物联网设备的移动节点以及网络基础设施边缘的雾网关进行数据分析。我们分析了分布式学习框架的不同配置的性能，（i）在学习任务中获得的准确性和（ii）在所涉及的节点之间发送数据所花费的能量。具体而言，我们考虑了用于我们考虑的不同类型的节点之间的通信的参考无线技术，例如LTE，Nb-IoT，802.15.4，802.11等。我们的结果表明，通过移动节点收集数据并使用短程通信技术（例如802.15.4和802.11）执行分布式分析，允许大幅降低系统的能量消耗，直至$94\%$，但损失了相对于相对湿度的准确度。最高可达$2\%$的集中式云解决方案。
2021-09-23 cs.DC cs.LG cs.NI
AirFed: A Federated Graph-Enhanced Multi-Agent Reinforcement Learning Framework for Multi-UAV Cooperative Mobile Edge Computing
Indian Institute of Science（印度科学理工学院）
AirFed通过联邦图增强的多智能体强化学习框架，解决多无人机协同移动边缘计算中的轨迹规划、任务卸载和资源分配问题，实现高效知识共享和显著性能提升。
2025-11-25 cs.DC cs.LG
Intelligent networking with Mobile Edge Computing: Vision and Challenges for Dynamic Network Scheduling
移动边缘计算（MEC）被认为是物联网（IoT）的一种有前途的技术。通过在设备附近部署边缘服务器，期望通过智能联网以相对低的延迟提供服务和处理数据。但是，庞大的边缘服务器在协作和资源分配方面可能面临很大的挑战。此外，智能联网要求以分布式模式在线实施。在这类系统中，由于复杂的应用环境，网络调度不能遵循任何已知的规则。然后，统计学习上升为一个很有前途的技术，网络调度，边动态学习环境元素的合作。期望这种基于学习的方法可以缓解模型局限性的不足，从而增强其在动态网络调度中的实际应用。在本文中，我们研究了具有移动边缘计算的智能物联网网络的愿景和挑战。从系统的观点，一些主要的研究机会列举了关于统计学习。
2020-04-29 cs.DC cs.NI
Multi-microservice migration modelling, comparison, and potential in 5G/6G mobile edge computing: A non-average parameter values approach
针对5G/6G移动边缘计算中多微服务迁移问题，本文提出基于非平均值参数的数学模型，对比分析MiGrror与预拷贝实时迁移方法，实验证明MiGrror能以最小带宽开销实现低于10毫秒停机时间，显著提升服务连续性。
2023-05-18 cs.DC cs.NI
