Energy-efficient Task Offloading for Relay Aided Mobile Edge Computing under Sequential Task Dependency
在本文中，我们研究了一个移动边缘计算（MEC）系统中，移动终端是由一个基站（BS）和一个合作节点的辅助。移动终端具有要完成的顺序任务，而协作节点在任务卸载和任务计算两者上协助移动终端。具体而言，研究了两种情况，即1）协作节点自身没有任务要完成，以及2）协作节点自身有任务要完成。我们的目标是通过优化任务卸载中的发送持续时间、任务计算中的CPU频率以及顺序任务中的任务卸载指标，使移动终端和协作节点的总能耗最小。在第一种情况下，我们将混合整数非凸问题分解为两个层次。在低层问题中，由于凸性，Karush-Kuhn-Tucker（KKT）条件被用来简化问题，然后用二分法搜索来求解。在上层问题中，为了找到要卸载的任务索引的解，而不是使用遍历方法，我们开发了一个单调条件来简化搜索过程。在第二种情况下，为了保证移动终端和协作节点的成功计算，将上传传输分为三种方案。在每个方案中，非凸问题被分解。在下层问题中，利用拉格朗日对偶方法求出半封闭解。在上层问题中，采用遍历方法寻找最优卸载指标。
2021-04-30 cs.IT math.IT
Secure Collaborative Computation Offloading and Resource Allocation in Cache-Assisted Ultra-Dense IoT Networks With Multi-Slope Channels
本文针对缓存辅助超密集物联网MEC网络，提出一种结合OFDMA、NOMA与基站分簇的安全计算卸载方案，并开发FIHAS算法以在严格时延和成本约束下最小化设备能耗。
2024-10-21 cs.IT math.IT
Sharing is Caring: A Mobile Edge Computing Perspective
在本文中，我们结合5G通信中的两种主要技术来考虑系统模型，即，移动边缘计算和频谱共享。物联网网络无法访问任何许可频谱，它在频谱共享的帮助下进行计算任务卸载活动。物联网网络通过中继其数据与许可频谱持有网络合作，并反过来访问许可频谱。许可频谱持有网络专注于吞吐量最大化，而物联网网络试图最大化任务计算速率。我们制定了一个优化问题，重视两个网络的利益。典型的IoT节点可能是能量受限的，这与任务计算时间约束一起被考虑。在移动边缘计算服务器处计算IoT节点的计算任务时考虑并行计算，其中基于IoT节点的卸载能力来分配处理器。这种处理器分配的优点在结果部分中显示。此外，我们还展示了物联网和许可频谱持有网络如何通过照顾彼此的需求从频谱共享中受益，这反映了一个事实，即，分享就是关怀。
2021-07-11 cs.IT math.IT
Energy-Efficient Mobile-Edge Computation Offloading for Applications with Shared Data
移动边缘计算卸载（MECO）已经被认为是通过将计算任务卸载到蜂窝网络（也称为{ \em cloudlet}）的边缘来减轻资源有限的物联网（IoT）设备的负担的有前景的解决方案。具体地，诸如虚拟现实（VR）和增强现实（AR）的延迟关键应用具有固有的协作属性，因为输入/输出数据的一部分由邻近的不同用户共享。在本文中，我们考虑一个多用户雾计算系统，其中多个单天线移动用户运行的应用程序具有共享数据可以选择（部分）卸载他们的个人任务到附近的单天线云远程执行和执行纯本地计算。将移动用户的能量最小化问题转化为一个凸问题，该问题受到总计算延迟约束、单个数据下载的总能量约束和本地计算的计算频率约束，可以应用经典的拉格朗日对偶来寻找最优解。基于半封闭形式的解决方案，共享数据证明了只有一个移动用户，而不是多个移动用户发送。此外，与不考虑共享数据属性或移动用户本地计算能力的基准算法相比，本文提出的联合计算卸载和通信资源分配算法具有显著的节能效果。
2018-09-04 cs.IT math.IT
Computation Offloading for Edge Computing in RIS-Assisted Symbiotic Radio Systems
本文研究RIS辅助共生无线电系统中感知与计算卸载的联合优化问题，通过交替优化算法最大化总完成感知比特数，并验证了RIS对系统性能的显著提升作用。
2023-05-29 cs.IT eess.SP math.IT
Stochastic Control of Computation Offloading to a Helper with a Dynamically Loaded CPU
由于无线网络的密集化，在边缘设备处存在大量空闲计算资源。这些资源可以通过从附近的小型物联网设备卸载繁重的计算任务来清除，从而克服它们的局限性并延长它们的电池寿命。然而，与专用服务器不同，边缘助手提供的备用资源是随机和间歇性的。因此，用户必须智能地控制用于卸载和本地计算的数据量，以确保计算任务能够以耗时最少的能量完成。在本文中，我们设计的能量有效的控制策略，在一个计算卸载系统与一个随机的通道和一个助手与一个动态加载的CPU。具体而言，所采用的政策的帮助者的目的是在确定的大小卸载和本地计算的数据在不同的时隙中的一个给定的任务，使传输和本地CPU的总能耗最小化下的任务期限的约束。因此，除了平衡卸载和本地计算之外，该策略还赋予卸载用户对信道和助手随机性的鲁棒性。通过将信道和辅助CPU建模为马尔可夫链，将卸载控制问题转化为马尔可夫决策过程。虽然动态规划（DP）的数值求解问题并不产生封闭形式的最优策略，我们利用的过程来量化的最优策略结构和应用的结果来设计最优或次优的政策。对于从零到大缓冲区的不同情况，策略的低复杂性克服了DP中由通道、辅助CPU和缓冲区状态的联合考虑引起的“维数灾难”。
2018-02-27 cs.IT math.IT
Endogenous Security of Computation Offloading in Blockchain-Empowered Internet of Things
本文研究了物联网（IoT）中计算卸载的内生安全架构，其中区块链技术实现了恶意行为的可追溯性，并且从传感器到小型基站（SBS）的任务数据上传链路由智能反射表面（IRS）辅助的物理层安全（PLS）保护。在接收到任务数据之后，SBS分配计算资源以帮助传感器执行任务。现有的计算卸载方案通常关注于网络性能的改善，如能量消耗最小化，而忽略了传感器支付的Gas费用，导致高Gas费用用户的不满。在这里，我们设计了一个面向气体的计算卸载计划，保证传感器的满意度，同时旨在减少能源消耗。此外，我们推导出遍历保密率的IRS辅助PLS传输，可以代表全局保密性能分配计算资源。仿真结果表明，与能量消耗最小化方案相比，该方案保证了支付较高Gas的节点获得更强的计算资源，而仅仅增加了$4\%$的能量消耗.
2022-03-03 cs.IT eess.SP math.IT
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
Reconfigurable Intelligent Surface-assisted Edge Computing to Minimize Delay in Task Offloading
数据源附近的边缘计算中计算资源的优势引发了人们对延迟敏感的物联网（IoT）应用的兴趣。然而，当终端用户从边缘服务器寻求计算资源时，边缘服务器的益处受到终端用户和边缘服务器之间的上传和下载链路的限制。当用户端的设备处于阴影区域中导致低上行链路/下行链路质量时，场景变得更加严重。在本文中，我们考虑了一个可重构的智能表面（RIS）辅助边缘计算系统，其中RIS的好处被利用来提高上传传输速率。我们进一步的目标是最大限度地减少网络中最坏情况的延迟，当最终用户在本地CPU中计算任务数据或将任务数据卸载到边缘服务器时。其次，我们对每个终端用户的任务数据的上传带宽分配进行了优化，以最小化网络中的最大延迟。上述优化问题被公式化为二次约束二次规划。然后，我们利用半定松弛法解决了这个问题。最后，仿真结果表明，所提出的策略是可扩展的各种网络设置。
2021-09-15 cs.IT math.IT
Data Sensing and Offloading in Edge Computing Networks: TDMA or NOMA?
随着物联网（IoT）的发展，具有传感、计算和通信功能的设备数量呈爆炸式增长，网络边缘产生大量原始数据。移动（多址）边缘计算（MEC），通过无线链路在网络边缘（如基站（BS））获取和处理数据，已成为一种有前途的实时应用技术。在本文中，我们考虑的情况下，多个设备感测，然后卸载数据到边缘服务器/BS，卸载吞吐量最大化的问题进行了研究，通过联合无线电和计算资源分配，基于时分多址（TDMA）和非正交多址（NOMA）多用户计算卸载。特别地，我们考虑到基于TDMA的多用户传输/卸载的顺序。所研究的问题是NP-困难的，非凸的。基于分解方法和对问题有价值的见解的探索，设计了一组低复杂度的算法。它们要么是最优的，要么可以达到接近最优的性能，如模拟所示。综合仿真结果表明，序列优化的TDMA方案比NOMA方案具有更好的吞吐量性能，而在分时策略和设备感知能力相同的前提下，NOMA方案的吞吐量性能更好。
2021-11-22 cs.IT eess.SP math.IT
Multi-hop Relaying with Mixed Half and Full Duplex Relays for Offloading to MEC
本文研究能量受限设备通过多跳中继向MEC服务器卸载计算任务的问题，提出混合半双工与全双工的多跳中继方案，证明问题为凸优化问题，并在任务按时完成概率和能耗方面均优于现有方案。
2024-01-12 cs.IT cs.NI math.IT
Energy-Constrained Computation Offloading in Space-Air-Ground Integrated Networks using Distributionally Robust Optimization
随着大规模设备接入互联网的快速发展，特别是对于没有蜂窝网络基础设施的偏远地区，出现了空间-空间-地面综合网络（SAGIN），并卸载了计算密集型任务。在本文中，我们考虑了SAGIN，其中包括多个低地球轨道（LEO）卫星，提供与云服务器的连接，无人机（UAV）和附近的基站（BS），提供边缘计算服务。无人机沿固定轨迹飞行，收集物联网设备生成的任务，并将这些任务转发给基站或云服务器进行进一步处理。为了促进有效的处理，UAV需要决定在哪里卸载以及卸载任务的比例。但在实际应用中，由于环境和实际需求的多变性，到达任务的数量是不确定的。如果使用确定性优化来开发卸载策略，可能会产生不必要的系统开销或较高的任务丢弃率，这严重损害了系统的鲁棒性。为了解决这个问题，我们用数据驱动的方法来描述不确定性，并制定一个分布式鲁棒优化问题，以最大限度地减少预期的能量约束下的系统延迟的最坏情况下的概率分布。此外，分布式鲁棒的延迟优化算法，提出了达到次优解。最后，我们在真实数据集上进行了仿真，并与其他基准方案进行了比较，以验证我们提出的算法的效率和鲁棒性。
2022-06-06 cs.IT math.IT
Energy-Efficient Edge Learning via Joint Data Deepening-and-Prefetching
Yonsei University（延世大学）；Pohang University of Science and Technology (POSTECH)（浦项科技大学）；Inha University（仁荷大学）
针对IoT设备数据卸载能耗高的问题，提出联合数据深化与预取（JD2P）架构，通过按重要性逐特征卸载与提前预取未来特征，在保证学习精度的同时显著降低能耗。
2024-02-19 cs.AI cs.IT cs.LG
Joint Task Offloading and Resource Allocation for Streaming Application in Cooperative Mobile Edge Computing
针对MEC系统中部分用户因信道遮挡无法直连基站的问题，提出流式任务下联合优化卸载比例、带宽与各步骤时长的低复杂度算法，降低用户及协作节点功耗。
2023-05-08 cs.IT math.IT
Computation Rate Maximization for Wireless Powered Mobile Edge Computing
集成移动边缘计算（MEC）和无线电力传输（WPT）已被认为是一种很有前途的技术，可以提高自可持续物联网（IoT）设备的计算能力。本文研究了一种无线供电的多用户MEC系统，其中多天线接入点（AP）（与MEC服务器集成）广播无线功率来为多个用户进行移动计算充电。我们考虑一个时分多址（TDMA）协议的多用户计算卸载。在这种设置下，我们的目标是通过联合优化AP处的能量发射波束形成器、用户的任务分区（分别用于本地计算和卸载）以及用户之间的时间分配，来最大化所有用户的计算速率的加权和（就计算比特数而言）。我们通过凸优化技术得到半封闭形式的最优解。数值结果表明，所提出的设计替代基准计划的优点。
2017-07-17 cs.IT math.IT
Joint Offloading and Computing Optimization in Wireless Powered Mobile-Edge Computing Systems
移动边缘计算（MEC）和无线功率传输（WPT）已被认为是物联网（IoT）时代的有前途的技术，以提供具有增强的计算能力和可持续能源供应的大规模低功率无线设备。在本文中，我们提出了一个统一的MEC-WPT设计，考虑无线供电的多用户MEC系统，其中多天线接入点（AP）（与MEC服务器集成）广播无线功率充电多个用户和每个用户节点依赖于收获的能量来执行计算任务。通过MEC，这些用户可以自己在本地执行各自的任务，或者基于时分多址（TDMA）协议将全部或部分任务卸载到AP。在所提出的模型的基础上，我们开发了一个创新的框架，以提高MEC的性能，通过联合优化的能量发射波束形成器在AP，中央处理器（CPU）的频率和卸载的比特在用户的数量，以及用户之间的时间分配。在这个框架下，我们解决了一个实际的情况下，延迟有限的计算是必需的。在这种情况下，我们开发了一个最佳的资源分配方案，最大限度地减少了AP的总能耗受到用户的个人计算延迟的限制。利用国家的最先进的优化技术，我们得到的最优解的半封闭形式。数值结果表明，所提出的设计的优点，替代基准计划。
2017-12-18 cs.IT math.IT
Semantic Communication Enabling Robust Edge Intelligence for Time-Critical IoT Applications
Aarhus University（奥胡斯大学）
本文旨在为时间关键型物联网应用程序设计使用语义通信的强大边缘智能。我们系统地分析了图像DCT系数对推理精度的影响，并提出了与信道无关的有效性编码，通过首先传输最有意义的任务数据来进行卸载。该方案能够充分利用现有的通信资源，并在传输延迟和推理精度之间取得平衡。然后，我们设计了一个有效的解码，通过实现一个新的图像增强过程的卷积神经网络（CNN）的训练，通过它的原始CNN模型转换成一个鲁棒的CNN模型。我们使用所提出的训练方法来生成Robust MobileNet-v2和Robust ResNet-50。所提出的边缘智能框架包括所提出的有效性编码和有效性解码。实验结果表明，鲁棒CNN模型的有效性解码在信道误差或有限通信资源引起的各种图像失真下都有较好的表现。所提出的使用语义通信的边缘智能框架在延迟和数据率约束下，特别是在超严格的期限和低数据率下，显著优于传统方法。
2022-11-28 cs.CV cs.IT math.IT
Distributed Offloading in Multi-Access Edge Computing Systems: A Mean-Field Perspective
本文从平均场博弈视角研究MEC系统中的最优任务卸载问题，在公平和优先接入两种场景下利用本地信息计算近似纳什均衡策略，有效解决大规模用户下的可扩展性问题，并在信息新鲜度与功耗间实现权衡。
2025-01-30 cs.IT cs.MA cs.SY
Towards Big data processing in IoT: Path Planning and Resource Management of UAV Base Stations in Mobile-Edge Computing System
数据负载大、覆盖范围广一直是物联网在线数据处理的关键问题。最近，移动边缘计算（MEC）和无人机基站（UAV-BS）已经成为物联网中有前途的技术。本文提出了一种基于MEC技术的三层在线数据处理网络。在底层，原始数据由广泛分布的传感器生成，反映了本地信息。在它们上面，无人机基站（UAV-BS）被部署为移动MEC服务器，收集数据并进行数据处理的初始步骤。在它们之上，中心云接收处理结果并进行进一步评估。由于这是一个在线数据处理系统，边缘节点应该稳定延迟，以确保数据的新鲜度。此外，有限的机载能量对边缘处理能力造成限制。为了智能地管理网络资源以节省能量和稳定延迟，我们开发了一种基于李雅普诺夫优化的在线确定策略。在低数据率的情况下，倾向于降低边缘处理器频率以节省能量。在存在高数据率的情况下，它将智能地分配用于边缘数据卸载的带宽。同时，悬停式无人机基站带来了大范围、灵活的服务覆盖，这就带来了有效的路径规划问题。在本文中，我们应用深度强化学习，并开发了一个在线路径规划算法。以周围环境的观察作为输入，训练CNN网络来预测每个动作的奖励。通过仿真，我们验证了它在提高服务覆盖率的有效性。其结果将有助于未来物联网中的大数据处理。
2019-06-12 cs.IT cs.NI cs.SY
