Blockchain-Enhanced Offloading in Mobile Edge Computing: A Systematic Review and Survey of Current Trends and Future Directions
本文针对移动边缘计算卸载的隐私安全问题，综述了基于区块链的安全卸载方法，梳理核心概念、按算法分类并对比相关技术、工具与指标，为该领域研究提供系统参考。
2024-03-09 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
Analysis of the Energy-Performance Tradeoff for Delayed Mobile Offloading
本文已被作者撤回
2015-11-12 cs.DC cs.PF
Online Learning for Offloading and Autoscaling in Renewable-Powered Mobile Edge Computing
移动边缘计算（也称为雾计算）最近已经出现，以使得能够在移动网络的边缘处对延迟敏感的应用进行\emph{in-situ}处理。然而，提供支持移动边缘计算的电网供电成本高昂，甚至不可行（在某些崎岖或欠发达地区），因此在越来越多的情况下，要求现场可再生能源作为主要甚至唯一的电源。尽管如此，可再生能源的高不稳定性和不可预测性使得在可再生能源驱动的移动边缘计算系统中向用户提供高服务质量非常具有挑战性。在本文中，我们解决了将可再生能源纳入移动边缘计算的挑战，并提出了一种有效的基于强化学习的资源管理算法，该算法实时学习动态工作负载卸载（到集中式云）和边缘服务器配置的最佳策略，以最大限度地降低长期系统成本（包括服务延迟和运营成本）。我们的在线学习算法使用（离线）值迭代和（在线）强化学习的分解，从而实现了学习率和运行时性能的显着改善相比，标准的强化学习算法，如Q学习。
2016-09-16 cs.DC
Dependency- and Layer-Aware Microservice Workflow Offloading and Service Image Caching for Edge Environments
School of Computer Science and Technology, Xidian University（西安电子科技大学计算机科学与技术学院）；Yunnan Provincial Key Laboratory of Software Engineering（云南省软件工程重点实验室）；School of Software Technology, Zhejiang University（浙江大学软件技术学院）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院）
针对边缘环境中的微服务工作流，提出依赖与层感知的卸载和镜像缓存框架，显著降低任务完成时间并提高镜像命中率。
2026-09-25 cs.DC
A Novel Offloading Partitioning Algorithm in Mobile Cloud Computing
本文已被作者撤回
2015-11-12 cs.DC cs.PF
Optimal Task Offloading and Resource Allocation in Mobile-Edge Computing with Inter-user Task Dependency
移动边缘计算（MEC）最近已经成为一种具有成本效益的范例，以增强硬件受限的无线设备（WD）的计算能力。在本文中，我们首先考虑一个两个用户的MEC网络，其中每个WD有一个序列的任务执行。特别是，我们考虑两个WD之间的任务依赖性，其中一个WD的任务输入需要在其他WD的最终任务输出。在所考虑的任务依赖模型下，我们研究了最优任务卸载策略和资源分配（例如，卸载发射功率和本地CPU频率），其最小化WD的能量消耗和任务执行时间的加权和。该问题是具有挑战性的，由于组合性质的卸载决策之间的所有任务和强耦合的资源分配。为了解决这个问题，我们首先假设卸载决定，并推导出最佳卸载发射功率和本地CPU频率的封闭形式的表达式。然后，提出了一种有效的二分搜索方法来获得最优解。此外，我们证明了最佳卸载决策遵循一个攀登的政策，在此基础上，降低复杂度的吉布斯抽样算法，提出了获得最佳卸载决策。然后，我们将调查扩展到一般的多用户场景，其中一个WD的任务输入需要多个其他WD的最终任务输出。数值结果表明，该方法可以显着优于其他代表性的基准测试，并有效地实现低复杂度的调用图的大小。
2019-09-22 cs.DC
Energy-Efficient Offloading in Mobile Edge Computing with Edge-Cloud Collaboration
多址移动边缘计算是一种新兴的技术，使计算资源接近终端移动用户。通过在WiFi接入点或蜂窝基站部署边缘服务器，可以扩展移动用户的计算能力。现有的工作大多假设远程云服务器可以被视为一个特殊的边缘服务器或边缘服务器愿意合作，这是不切实际的。在这项工作中，我们提出了一个边缘云合作架构，边缘服务器可以租用远程云服务器，以加快移动用户的任务计算。在此架构下，计算卸载问题被建模为一个具有延迟约束的混合整数规划问题，这是NP-难的。目标是最小化移动设备的总能耗。我们提出了一个贪心算法以及模拟退火算法来有效地解决这个问题。大量的仿真结果表明，所提出的贪心算法和模拟退火算法可以达到接近最优的性能。平均而言，所提出的贪心算法仅需31%的额外能量开销就能达到与Brute Force可选算法相同的应用程序完成时间预算性能。模拟退火算法可以达到与贪心算法相似的性能。
2018-11-09 cs.DC
A Joint Time and Energy-Efficient Federated Learning-based Computation Offloading Method for Mobile Edge Computing
本文提出了一种基于联邦学习的联合时间与节能计算卸载方法，通过预测任务计算密集程度来优化资源受限移动设备的卸载决策，提升响应时间和能效。
2024-09-04 cs.DC
Joint Service Caching and Task Offloading for Mobile Edge Computing in Dense Networks
移动边缘计算（MEC）将计算功能从集中式云推到网络边缘，从而满足许多新兴移动应用的延迟要求并节省回程网络带宽。虽然许多现有的作品已经研究了计算卸载策略，服务缓存是一个同样的，如果不是更重要的，MEC的设计主题，但得到的关注少得多。服务缓存是指在边缘服务器（例如，MEC使能的BS）中缓存应用服务及其相关数据库/库，从而使得能够执行相应的计算任务。由于资源有限的边缘服务器只能同时缓存少量的应用服务，因此必须明智地决定缓存哪些服务，以最大限度地提高边缘计算性能。在本文中，我们调查了非常引人注目的，但少得多的研究问题，在MEC启用密集蜂窝网络的动态服务缓存。我们提出了一种高效的在线算法，称为OREO，它联合优化动态服务缓存和任务卸载，以解决MEC系统中的一些关键挑战，包括服务异构性，未知的系统动态，空间需求耦合和分散协调。我们的算法是基于李雅普诺夫优化和吉布斯采样，在线工作，不需要未来的信息，并实现可证明的接近最优性能。仿真结果表明，该算法可以有效地减少计算延迟的终端用户，同时保持低能耗。
2018-01-17 cs.DC
Diffusing Your Mobile Apps: Extending In-Network Function Virtualization to Mobile Function Offloading
由于用户设备有限的电池容量与现代移动应用程序不断增长的能源需求之间存在巨大差距，我们提出了INFv。它是第一个能够从ISP网络中的移动设备缓存、迁移和动态执行按需功能的卸载系统。它旨在通过将有前途的NFV范式扩展到移动应用程序以利用网络内资源来弥合这一差距。在本文中，我们提出的总体设计，国家的最先进的技术采用，和各种工程细节的INFv系统。我们还通过调查超过20，000个Google Play应用程序来仔细研究部署配置，并通过实际设置进行全面评估。除了在电池寿命（高达6.9倍的能源减少）和执行时间（高达4倍的速度）方面有显着的改进外，INFv还具有两个明显的优势：1）对现有应用程序透明的非侵入式卸载机制; 2）固有的框架支持，以有效地平衡计算负载并利用网络内资源的邻近性。这两个优点一起使得计算卸载框架能够在实际ISP的网络中可扩展和增量地部署。
2019-06-14 cs.DC cs.PF
Spontaneous Proximity Clouds: Making Mobile Devices to Collaborate for Resource and Data Sharing
移动云计算的基本动机是通过将应用卸载到强大的云资源上来增强移动设备的能力。然而，由于移动终端和云之间的长物理距离所带来的高卸载成本，这一目标无法完全实现。为了解决这个问题，我们提出了一个应用程序卸载到附近的移动云组成的移动设备在附近的一个自发的邻近云。我们介绍了我们提出的动态，蚂蚁启发，双目标卸载中间件-ACOMA，并解释其扩展执行一个密切的移动应用程序卸载。利用ACOMA基于学习的卸载决策过程，结合协同资源共享，移动设备可以协同进行决策缓存共享。我们使用真实的基准人脸识别和Monte-Carlo算法评估了ACOMA在协作模式下的性能，并实现了50%的执行时间增益。
2016-11-03 cs.DC cs.NI
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
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
Security modeling and efficient computation offloading for service workflow in mobile edge computing
资源有限的移动设备在执行各种复杂、高能耗的移动应用时面临着巨大的挑战。边缘计算（MEC）作为一种新的计算模式，可以提供丰富的计算资源来执行MD的全部或部分任务，从而大大降低MD的能耗，提高应用的服务质量。然而，将工作流任务卸载到MEC服务器容易受到外部安全威胁（例如，窥探、改变）。提出了一种MEC环境下服务工作流的安全节能计算卸载（SEECO）策略，其目标是在风险概率和截止期限约束下优化能耗.首先，我们建立了一个安全开销模型来度量安全服务的执行时间。然后，我们制定了计算卸载问题，结合安全性，能源消耗和执行时间的工作流应用程序。最后，基于遗传算法，从任务执行顺序、位置和安全服务选择等方面设计了SEECO的编码策略。实验结果表明，SEECO策略能够有效地实现移动应用的安全性和节能性。
2019-07-04 cs.CR cs.DC cs.NI
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
Computation Peer Offloading for Energy-Constrained Mobile Edge Computing in Small-Cell Networks
具有云计算功能的小型蜂窝基站（SBS）的（超）密集部署为普及移动边缘计算（MEC）铺平了道路，为各种新兴移动应用和物联网实现超低延迟和位置感知。为了处理网络中空间上不均匀的计算工作负载，通过工作负载对等体卸载的SBS之间的合作是必不可少的，以避免在过载的SBS的大的计算延迟，并提供高的服务质量的最终用户。然而，由于自私的SBS所有者承诺的有限的能量资源、系统动态的不确定性以及无线电接入和计算服务的共同供应，执行有效的对等卸载在小型小区网络中面临许多独特的挑战。本文开发了一种新的在线SBS对等卸载框架，称为OPEN，利用李雅普诺夫技术，以最大限度地提高长期系统性能，同时保持能源消耗的SBS低于个人的长期约束。OPEN在线工作，不需要有关未来系统动态的信息，但与具有完整未来信息的Oracle解决方案相比，提供了可证明接近最佳的性能。此外，本文还建立了一个新的节点卸载博弈模型，并以无政府状态的无政府代价分析了其均衡和效率损失，以深入理解节点卸载的策略行为，从而实现节点卸载决策的分散化和自治化。进行了大量的模拟，并表明SBS之间的对等卸载显着提高了边缘计算性能。
2018-05-25 cs.DC cs.GT
KCES: A Workflow Containerization Scheduling Scheme Under Cloud-Edge Collaboration Framework
针对云边协同场景下工作流容器化调度的资源协调与应用协同难题，提出KubeEdge云边调度方案KCES，通过设计调度引擎、资源混合管理算法及水平漫游与垂直卸载策略，有效提升资源利用率并优化调度性能。
2024-01-02 cs.DC
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
Preemption Aware Task Scheduling for Priority and Deadline Constrained DNN Inference Task Offloading in Homogeneous Mobile-Edge Networks
本文提出一种抢占感知调度方法，通过两种调度算法和截止时间感知的抢占机制，在同构边缘网络中满足高优先级DNN推理任务的截止时间，实验表明可完成99%高优先级任务并提升3-8%的帧分类完成率。
2025-04-23 cs.DC
Energy-Efficient Computation Offloading in MobileEdge Computing Systems with Uncertainties
计算卸载对于移动边缘计算（MEC）是必不可少的。它使用边缘资源来实现密集计算，并为资源受限的设备节省能源。现有的工程通常对无线电信道和网络队列大小施加强有力的假设。然而，实际的MEC系统受到各种不确定性的影响，使得这些假设不切实际。在本文中，我们研究的能量有效的计算卸载问题，放松这些常见的假设，并考虑在网络中的内在不确定性。具体来说，我们最大限度地减少本地设备的最坏情况下预期的能源消耗时，执行时间关键型应用程序建模为有向无环图。利用极值理论对不确定性事件的发生概率进行约束。为了解决这个问题，我们提出了一个基于列生成的$ε$有界近似算法。该算法可以有效地识别出小于最优解的（1+ $ε$）的可行解。我们在Android智能手机上实现了所提出的方案，并使用真实世界的应用程序进行了广泛的实验。实验结果证实，它将导致更低的能耗为客户端设备，通过考虑内在的不确定性，在计算卸载。所提出的计算卸载方案在节能方面也显著优于其他方案。
2022-01-25 cs.DC cs.NI
Com-DDPG: A Multiagent Reinforcement Learning-based Offloading Strategy for Mobile Edge Computing
移动服务的发展影响了各种计算密集型和时间敏感型应用，例如推荐系统和日常支付方式。然而，涉及有限资源的计算任务竞争增加了移动设备的任务处理延迟和能量消耗，以及时间约束。移动边缘计算（MEC）已被广泛用于解决这些问题。然而，在计算卸载期间使用的现有方法存在局限性。一方面，他们专注于独立的任务，而不是依赖的任务。现实世界中任务依赖性的挑战，特别是任务分割和集成，仍然有待解决。另一方面，必须考虑与资源分配和互斥访问问题相关的多用户场景。在本文中，我们提出了一种新的卸载方法，Com-DDPG，MEC使用多智能体强化学习，以提高卸载性能。首先，我们讨论了任务的依赖模型，任务优先级模型，能量消耗模型，并从服务器集群和移动任务的多依赖性的角度平均延迟。我们的方法基于这些模型被引入到形式化的多个代理之间的通信行为，然后，强化学习执行作为卸载策略，以获得结果。由于状态信息的不完全性，采用长短期记忆（LSTM）作为决策工具来评估内部状态。此外，为了优化和支持有效的行动，我们考虑使用双向递归神经网络（BRNN）来学习和增强从代理通信中获得的特征。最后，我们在阿里巴巴聚类数据集上进行了模拟实验。结果表明，我们的方法是优于其他基线的能量消耗，负载状态和延迟。
2020-12-09 cs.DC cs.MA
Knowledge Distillation for Mobile Edge Computation Offloading
School of Data and Computer Science, Sun Yat-sen University（中山大学数据与计算机科学学院）
边缘计算卸载允许移动终端设备在边缘服务器上执行计算密集型任务。终端设备可以根据当前网络条件和设备配置文件，在线决定是否将任务卸载到边缘服务器、云服务器或本地执行。在本文中，我们提出了一个基于深度模仿学习（DIL）和知识蒸馏（KD）的边缘计算卸载框架，该框架可以帮助终端设备快速做出细粒度的决策，以在线优化计算任务的延迟。我们将计算卸载问题形式化为多标签分类问题。我们的DIL模型的训练样本以离线方式生成。在模型训练完成后，利用知识蒸馏得到一个轻量级的DIL模型，进一步降低了模型的推理延迟。数值实验表明，该模型所做出的卸载决策在延迟度量上优于其他相关策略。此外，我们的模型在所有策略中具有最短的推理延迟。
2020-04-09 cs.AI cs.DC cs.NI
Phone2Cloud: Exploiting Computation Offloading for Energy Saving on Smartphones in Mobile Cloud Computing
随着智能手机应用的繁荣，智能手机的节能越来越受到关注。在本文中，我们设计了Phone2Cloud，一个计算卸载为基础的系统，在移动云计算的背景下，智能手机上的节能。Phone2Cloud将运行在智能手机上的应用程序的计算卸载到云端。目标是提高智能手机的能源效率，同时通过减少执行时间来提高应用程序的性能。通过这种方式，可以改善用户的体验。在Android和Hadoop环境下实现了Phone2Cloud的原型系统。两组实验，包括应用实验和场景实验，进行评估系统。实验结果表明，Phone2Cloud可以有效地为智能手机节省能源并减少应用程序的执行时间。
2020-08-09 cs.DC cs.NI
Task Graph offloading via Deep Reinforcement Learning in Mobile Edge Computing
Hunan Institute of Technology（湖南理工学院）；Hunan University of Technology and Business（湖南工商大学）
本文研究移动边缘计算中的任务图卸载问题，提出深度强化学习算法SATA-DRL，将任务调度建模为MDP以适应动态环境，显著降低了平均完成时间和截止时间违规率。
2024-03-21 cs.DC cs.LG
Joint Computation Offloading, SFC Placement, and Resource Allocation for Multi-Site MEC Systems
网络功能虚拟化（NFV）和移动边缘计算（MEC）是支持对资源要求高的移动应用的有前景的5G技术。在NFV中，必须处理服务功能链（SFC），其中必须以特定顺序执行一组网络功能。此外，MEC技术使得能够将服务请求从移动用户计算卸载到远程服务器，以潜在地减少移动应用的能量消耗和处理延迟。本文研究了多站点MEC系统中计算卸载、资源分配和SFC布局的优化问题。我们的设计目标是最小化加权归一化能量消耗和计算成本的最大可容忍延迟约束。为了解决潜在的混合整数和非线性优化问题，我们采用分解方法，其中我们迭代地优化计算卸载、SFC放置和计算资源分配以获得有效的解决方案。数值结果表明，不同的参数对系统性能的影响和性能的优越性，所提出的算法相比，基准算法。
2020-03-28 cs.DC cs.NI
Offloadable Apps using SmartDiet: Towards an analysis toolkit for mobile application developers
将工作卸载到云是增加移动设备电池寿命的建议解决方案之一。大多数先前的研究都集中在计算密集型应用程序，即使这样的应用程序不是最流行的。在本文中，我们首先研究了方法级卸载在网络密集型应用程序的可行性，使用一个开源的Twitter客户端作为一个例子。我们的主要观察是，对开发人员透明地实现卸载是困难的：各种约束严重限制了卸载的可能性，并且对潜在收益的估计是具有挑战性的。然后，我们提出了一个工具包，SmartDiet，以协助移动应用程序开发人员创建代码，这是适合节能卸载。SmartDiet为Android应用程序提供细粒度的卸载约束识别和能源使用分析。除了概述该工具包的整体功能外，我们还研究了其一些关键机制，并确定了剩余的挑战。
2011-11-16 cs.DC cs.NI cs.SE
Decentralized Task Offloading and Load-Balancing for Mobile Edge Computing in Dense Networks
University of Tübingen（蒂宾根大学）；Ruhr-University Bochum（鲁尔大学波鸿分校）
本文针对密集网络中信息未知、任务随机的去中心化卸载与负载均衡问题，提出结合平均场多智能体多臂老虎机博弈和奖励调整负载均衡技术的方法，实现目标负载分布收敛。
2024-06-24 cs.DC cs.LG cs.MA
Accuracy vs Performance: An abstraction model for deadline constrained offloading at the mobile-edge
针对移动边缘DNN卸载的低延迟deadline约束需求，提出带轻量网络状态表示的调度算法，经树莓派垃圾分类场景验证，高负载下性能更优，资源稀缺时可提升任务吞吐量。
2025-10-02 cs.DC cs.NI
Local Ratio based Real-time Job Offloading and Resource Allocation in Mobile Edge Computing
针对MEC中截止期约束任务的卸载与通信、计算资源分配联合优化问题，提出近似界为1/6的IDAssign算法，并基于真实出租车轨迹和目标检测应用验证其性能。
2025-03-21 cs.DC cs.DM cs.DS
A Survey on Intelligent Computation Offloading and Pricing Strategy in UAV-Enabled MEC Network: Challenges and Research Directions
移动网络运营商（MNO）必须选择如何将移动终端（MD）查询委托给其移动边缘计算（MEC）服务器，以便最大化具有不同延迟需求的已接纳请求的总体益处。无人机和人工智能由于其部署的灵活性、无人机的高机动性和人工智能算法的高效性，可以提高MNO的性能。MD产生的成本与MNO获得的利润之间存在权衡。另一方面，将智能计算卸载到支持UAV的MEC是一种有前途的方式，可以弥合MD有限的处理资源以及用于UAV-MEC网络中的计算卸载的智能算法与即将到来的应用的高计算需求之间的差距。这项研究着眼于一些研究的好处，计算卸载过程中的无人机MEC网络，以及智能模型，用于计算卸载。此外，本文还探讨了几种智能定价技术在不同结构的无人机MEC网络。最后，本文重点介绍了一些重要的开放式研究问题和未来的研究方向，人工智能（AI）在计算卸载和应用智能定价策略的无人机MEC网络。
2022-08-22 cs.DC cs.NI
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
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
Combinatorial Client-Master Multiagent Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing
针对移动边缘计算中任务卸载的资源约束问题，提出组合式客户端-主服务器多智能体深度强化学习算法CCM_MADRL_MEC，首次同时考虑用户设备与服务器存储约束，通过组合动作选择实现更优收敛。
2024-11-06 cs.AI cs.DC cs.NI
Computation Rate Maximization for Wireless Powered Mobile-Edge Computing with Binary Computation Offloading
在本文中，我们考虑由无线功率传输（WPT）供电的多用户移动边缘计算（MEC）网络，其中每个能量收集WD遵循二进制计算卸载策略，即，一个任务的数据集必须作为一个整体在MEC服务器上通过任务卸载本地或远程执行。特别地，我们感兴趣的是通过联合优化个体计算模式选择（即，本地计算或卸载）和系统传输时间分配（关于WPT和任务卸载）。其主要困难在于多用户计算模式选择的组合性及其与传输时间分配的强耦合性。为了解决这个问题，我们首先考虑一个解耦的优化，在这里我们假设模式选择是给定的，并提出了一个简单的二分搜索算法来获得条件最优的时间分配。在此基础上，设计了一种坐标下降法来优化模式选择。该方法实现简单，但在大规模网络中可能遭受高计算复杂性。针对这一问题，本文提出了一种基于ADMM（alternating direction method of multiplers）分解技术的联合优化方法，该方法能够有效降低计算复杂性随网络规模的增加而增加的速度。大量的仿真结果表明，所提出的方法可以有效地实现近最佳性能在各种网络设置下，并显着优于其他代表性的基准方法考虑。
2018-03-23 cs.DC cs.IT math.IT
A Hybrid Artificial Neural Network for Task Offloading in Mobile Edge Computing
边缘计算（EC）是关于重塑数据在庞大的异构网络中处理、处理和交付的方式。电子商务的基本概念之一是通过利用具有强大计算能力的前端设备将数据处理推向边缘。因此，仅在必要时才使用集中式架构，例如云计算。本文提出了一种新的边缘计算机卸载技术，将设备生成的计算任务分配给具有足够计算资源的潜在边缘计算机。该方法根据边缘计算机的硬件规格对边缘计算机进行聚类。之后，由设备生成的任务将被馈送到混合人工神经网络（ANN）模型，该模型基于这些任务预测简档，即，功能，具有足够的计算资源来执行它们的边缘计算机。然后将预测的边缘计算机分配到它们所属的集群，以便将每个任务分配到边缘计算机的集群。最后，我们为每个任务选择预期提供最快响应时间的边缘计算机。实验结果表明，我们提出的方法优于其他国家的最先进的机器学习方法使用真实世界的物联网数据集。
2022-06-06 cs.DC cs.NI
Enhancing Secrecy Energy Efficiency in RIS-Aided Aerial Mobile Edge Computing Networks: A Deep Reinforcement Learning Approach
针对地面用户任务卸载的地面窃听安全问题，提出RIS辅助的UAV-MEC方案，通过深度强化学习联合优化多变量以提升保密能效，兼顾能耗与任务时效，数值验证了方案的安全防护与节能效果。
2025-05-16 cs.CR cs.DC cs.SY
Inter-Layer Per-Mobile Optimization of Cloud Mobile Computing: A Message-Passing Approach
云移动计算使得能够经由无线接口将计算密集型应用从移动终端卸载到云处理器。鉴于应用层的卸载决策与物理层参数之间的强烈相互作用，这些参数决定了与移动云通信相关的能量和延迟，本文研究了跨两层的细粒度任务卸载的层间优化。在现有技术中，在处理和通信的串行实现下，该问题被公式化为混合整数程序，导致任务数量呈指数级的复杂性。在这项工作中，相反，算法的解决方案，提出了利用典型应用程序的调用图的结构，通过调用图上的消息传递，在串行和并行实现的处理和通信。对于调用树，所提出的解决方案具有线性的任务数量的复杂性，和有效的扩展更一般的调用图，包括“地图”和“减少”型任务。此外，所提出的方案是最佳的串行实现，并提供了原则性的并行实现。广泛的数值结果产生洞察层间优化的影响和两种实现的比较。
2015-08-26 cs.DC cs.NI
Computation Offloading and Resource Allocation for Backhaul Limited Cooperative MEC Systems
在本文中，我们联合优化计算卸载和资源分配，以最小化的所有移动用户的能量消耗的加权和的回程限制合作MEC系统与多个雾服务器。考虑到部分卸载策略和TDMA传输在每个基站，底层的优化问题的约束最大的任务延迟和有限的计算资源在移动用户和雾服务器是非凸的。我们建议凸化的问题，利用一些优化变量之间的关系，提出了一个最优算法来解决由此产生的问题。然后，我们提出的数值结果表明，我们提出的设计相比，传统的设计，不利用雾服务器之间的合作和贪心算法的显着收益。
2019-06-23 cs.DC cs.NI cs.SY
