Federated Learning under Channel Uncertainty: Joint Client Scheduling and Resource Allocation
在这项工作中，我们提出了一种新的联合客户端调度和资源块（RB）分配政策，以尽量减少损失的准确性联邦学习（FL）相比，集中式训练为基础的解决方案，在不完善的信道状态信息（CSI）。首先，该问题被投射为一个随机优化问题在一个预定义的训练时间，并使用李雅普诺夫优化框架解决。为了学习和跟踪无线信道，利用基于高斯过程回归（GPR）的信道预测方法，并将其纳入调度决策。建议的调度策略进行评估，通过数值模拟，在完美和不完美的CSI。结果表明，所提出的方法相比，国家的最先进的客户端调度和RB分配方法的准确性损失减少了25.8%。
2020-02-06 cs.NI
Scheduling for VoLTE: Resource Allocation Optimization and Low-Complexity Algorithms
我们考虑调度和资源分配在长期演进（LTE）网络中的语音LTE（VoLTE）和尽力而为的数据用户。这两者之间的区别在于VoLTE用户获得调度优先级以接收其所需的服务质量。正如我们所展示的，严格的优先级会导致数据服务受到影响。我们提出了新的调度和资源分配算法，以最大限度地提高总和或比例公平（PF）之间的数据用户，同时满足VoLTE的需求。从本质上讲，我们使用VoLTE作为一个示例应用，既有保证的比特率，又有严格的应用特定要求。我们首先制定和解决的帧级优化问题的吞吐量最大化，但是，这会导致一个整数的LTE传输时间间隔（TTI）耦合的问题。然后，我们提出了一个TTI级的问题，解耦调度跨TTI。最后，我们提出了一个启发式，具有极低的复杂性。这些公式说明了在实施的标准中实现资源分配所需的细节。数值结果表明，TTI级方案的性能非常接近帧级上界。类似地，与TTI级优化和基线调度算法相比，启发式方案工作得很好。最后，我们表明，我们的PF优化保留了高公平性指标特征PF调度。
2019-01-08 cs.NI
Online Task Scheduling for Fog Computing with Multi-Resource Fairness
ShanghaiTech University（上海科技大学）
在雾计算系统中，一个关键挑战是在线任务调度，即，以决定用于从终端设备连续生成的任务的资源分配。由于雾计算系统中表现出的各种不确定性，该设计具有挑战性;例如，任务的资源需求在其实际到达之前是未知的。最近的工作已经应用深度强化学习（DRL）技术来进行在线任务调度并改进各种目标。然而，他们忽略了不同任务的多资源公平性，这是实现任务之间公平资源共享的关键，但通常并不容易实现。因此，如何设计一种具有多资源公平性的在线任务调度方案仍然是一个有待解决的问题。在本文中，我们将解决上述挑战。特别是，通过利用DRL技术，并采用主导资源公平性（DRF）的思想，我们提出了FairTS，一个在线任务调度方案，直接从经验中学习，有效地缩短平均任务减速，同时确保多资源之间的任务公平性。仿真结果表明，FairTS优于国家的最先进的计划，超低的任务减速和更好的资源公平性。
2020-08-01 cs.AI cs.NI
Performance Analysis Of Resource Scheduling In LTE Femtocells Networks
3GPP已经引入了LTE毫微微小区来操纵室内用户的业务并最小化宏小区上的费用。LTE业务处理中的关键机制是分组调度器，其负责在频率和时间维度上向活动流分配资源。因此，有必要对毫微微蜂窝网络的调度算法进行分析。在本文中，我们介绍了三种不同的调度算法的性能分析的混合类型的流量在LTE毫微微蜂窝网络。具体研究从吞吐量、丢包率、公平性指标和频谱效率等方面进行了评估
2015-01-08 cs.NI
An Optimal Application-Aware Resource Block Scheduling in LTE
在本文中，我们介绍了第四代长期演进（LTE）系统中的弹性和非弹性自适应实时业务的应用感知资源块调度方法。用户被分配到资源块。传输可以使用在频率和时间上调度的多个资源块。在我们的模型中，我们使用对数和sigmoidal-like效用函数来表示运行在不同用户设备（UE）上的用户应用程序。我们提出了一个效用比例公平策略的优化问题，其中用户之间的公平性是相应应用的效用百分比（即用户对服务的满意度）。我们的目标是将资源分配给用户，并优先考虑自适应实时应用用户。此外，应当保证用于具有弹性和非弹性业务的用户的最小资源分配。订阅移动服务的每个用户都应该具有具有优先级标准的最低服务质量（QoS）。我们证明了我们的调度策略存在，并达到最大值。因此，最优解是易处理的。我们提出了一种集中式调度算法，以分配演进节点B（eNodeB）的资源优化优先级标准。最后，我们提出了模拟结果，我们的调度算法的性能，并比较我们的结果与传统的比例公平的方法。结果表明，用户满意度较高，我们提出的方法。
2014-05-29 cs.NI
Optimal Scheduling for Fair Resource Allocation in Ad Hoc Networks with Elastic and Inelastic Traffic
本文研究的问题，拥塞控制和调度的ad hoc无线网络，必须支持的混合尽力而为和实时业务。优化和随机网络理论已经成功地设计了公平的资源分配架构，以满足长期的吞吐量需求。然而，据我们所知，严格的数据包延迟的最后期限没有考虑在这个框架之前。在本文中，我们提出了一个模型，将服务质量（QoS）的最后期限的数据包的要求，在优化框架。该问题的解决方案导致联合拥塞控制和调度算法，该算法公平地分配资源以满足弹性流和非弹性流的公平性目标以及非弹性流的每个分组延迟要求。
2009-12-13 cs.NI
Survey On Scheduling And Radio Resources Allocation In Lte
本文重点讨论LTE架构中增强型节点B eNodeB元件的一项基本任务--无线电资源管理器RRM，其目的是根据某些约束条件接受或拒绝连接网络的请求，并确保用户设备UE之间无线电资源的最佳分配。它的主要功能包括接纳控制AC和分组调度PS。本文将主要集中在RRM任务的PS部分，它在上行链路和下行链路方向上执行无线资源分配。在文献中已经提出了几种方法和算法来解决这种需求，即：有效地分配资源，算法的多样性和众多性与无线电资源的最佳管理所考虑的因素有关，具体地，UE所请求的业务类型和QoS服务质量。在本文中，无线电资源分配策略的一个艺术状态和几个调度算法提出了LTE（上行链路和下行链路）的详细研究。因此，我们提出我们的评价和批评。
2014-04-10 cs.NI
Joint Scheduling and Resource Allocation in mmWave IAB Networks Using Deep RL
提出基于深度强化学习的框架，结合贪婪DDQN调度器与多智能体DDQN分配器，解决动态mmWave IAB网络中的联合链路调度与资源切片问题，实现高调度准确率与吞吐量提升。
2025-08-11 cs.NI
Practical Scheduling Algorithms with Contiguous Resource Allocation for Next-Generation Wireless Systems
本文提出了三种新的无线通信系统的资源和用户调度算法与连续频域资源分配（FRDR）。第一个算法联合调度用户和资源自适应选择从两端的带宽部分（BWP），而第二和第三个应用不相交的用户和资源选择与单端或双端BWP策略。与现有的连续FTECH方法不同，所提出的方法符合第五代（5G）和5G以后通信的标准规范，并且具有较低的计算复杂性，因此更实用。仿真结果表明，在低到中等流量负载下，所提出的算法在吞吐量和丢包率方面都能达到接近最优的性能，其中第一种算法在用户数较大的情况下仍能保持较好的性能.
2020-10-06 cs.NI
Cognitive Radio Resource Scheduling using Multi agent QLearning for LTE
University of New Mexico（新墨西哥大学）
在本文中，我们提出，实现和测试两种新的下行链路LTE调度算法。这些算法的实现和测试是在Matlab中进行的，它们基于强化学习的使用，更具体地说，是用于调度两种类型用户的Qlearning技术。第一种算法称为协作调度算法，第二种算法称为竞争调度算法。第一种类型的预定用户是主用户，他们是为他们的服务付费的许可用户。第二种类型的预定用户是次要用户，他们可能是未授权的订户，不为他们的服务、设备到设备通信或传感器付费。每个用户，无论是主用户还是辅助用户，都被视为代理。在协作调度算法中，主用户代理将合作，以作出联合调度决定分配资源块给他们中的每一个，然后次级用户代理将在他们之间竞争使用剩余的资源块。在竞争调度算法中，主用户代理将在它们之间竞争可用资源，然后辅助用户代理将在它们之间竞争剩余资源。实验结果表明，两种调度算法收敛到近90%的频谱利用率，并提供了公平的频谱用户之间的份额。
2022-05-13 cs.LG cs.NI
Energy Efficient Resource Allocation and User Scheduling for Collaborative Mobile Clouds with Hybrid Receivers
在本文中，我们研究的资源分配和用户调度算法，以最大限度地减少数据传输的能量成本的OFDMA协作移动云（CMC）的背景下，同时无线信息和功率传输（SWIPT）接收器。由多个协作MT组成的CMC为下行链路内容分发和终端侧的能耗降低提供了一种潜在的解决方案。同时，由于射频信号可以同时携带信息和能量，因此感应SWIPT在移动节点的能量效率设计中受到了广泛的关注。以往的CMC系统设计工作主要集中在云计算或能量效率的研究上，而如何分配无线资源和调度用户传输则缺乏关注。以最小化系统能耗为目标，提出了一个联合考虑子信道分配、功率分配和用户调度的SWIPT接收机组优化问题。制定的问题是通过凸优化技术。仿真结果表明，提出的用户调度和资源分配算法可以实现显着的节能性能。
2014-10-01 cs.NI
Dynamic Task and Resource Scheduling Towards Green Space-Air-Ground-Sea Integrated Network
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出一种动态任务与资源调度方法，用于优化空天地海一体化网络中的任务执行延迟，通过分层任务卸载算法和前瞻性切换策略提升卫星资源利用率。
2026-05-02 cs.NI
Variance Based Scheduling Algorithm with Relay Selection and Resource Allocation in Cooperative OFDMA Networks
如今，若干标准的无线电接口利用诸如OFDMA的先进技术和诸如中继的扩展技术来增强。随着下一代无线通信技术的发展，调度问题变得更加重要和具有挑战性。在我们的工作中，我们的目标是最大限度地提高整个系统的容量，同时选择最合适的中继站之间的用户和中继站之间的公平性约束，提出了一个基于间隙的调度。该模型考虑了信道状态信息和两跳链路的不均衡速率容量。仿真结果表明，我们的方法在公平性和整体系统性能的有效性。
2013-10-23 cs.NI
Cloud Service ranking using Checkpoint based Load balancing in real time scheduling of Cloud Computing
近年来，云计算越来越流行。正在进行几项研究，以根据用户需求构建具有精致质量的云应用程序。在实现相同目标时，所应用的标准之一是实时的调度中基于检查点的负载均衡，通过该负载平衡，从一组云服务候选中选择合适的云服务。可以收集有价值的信息来对该基于检查点的负载均衡内的服务进行排名。为了获得排名，需要在云中调用不同的服务，这非常耗时，并且浪费了服务调用。为了避免这种情况，本章提出了一种算法，通过使用以前提供的服务的值来预测不同云服务的排名。
2019-04-16 cs.NI
Load Balancing Strategies to Solve Flowshop Scheduling on Parallel Computing
针对并行环境下的Flowshop调度问题提出了一种并行解决方案，并在此基础上提出了一种新的负载均衡策略。提出的比例公平策略（PFS）考虑了计算过程集的计算性能，并根据计算节点的评估性能按比例分配额外的负载。为了更有效地利用并行资源的能力，我们还讨论了计算节点间通信所使用的数据结构，并设计了一种优化的数据传输策略。这种数据传输策略结合所提出的负载均衡策略已经在一个由86个CPU组成的超级计算机上实现并测试，使用MPI作为中间件。结果表明，建议PFS实现更好的性能，在计算时间方面比现有的自适应承包内的邻居策略。我们还表明，两者的比例公平策略和建议的数据传输策略的组合实现额外的并行效率提高13~15%。
2008-09-19 cs.NI
Repeated Contention Scheduling: A Novel Resource Allocation Algorithm Toward 6G Vehicular Networks
University of Rome Sapienza（罗马第一大学）
针对NR-V2X侧链通信资源分配难题，提出基于多轮反馈驱动竞争的重复竞争调度（RCS）算法，仿真显示其性能优于传统方法，经实验测试平台验证可行性，为5G NR侧链及6G车载通信提供资源分配方案。
2026-07-08 cs.NI
Adaptive Priority-Based Downlink Scheduling for WiMAX Networks
WiMAX（IEEE 802.16）网络的主要关注点是支持用于各种多媒体服务的服务质量（QoS）保证。满足QoS要求的调度方案对于无线通信已经变得更加重要。我们提出了一种下行链路调度方案，称为自适应基于优先级的下行链路调度（APDS），在IEEE 802.16网络中提供QoS保证。APDS包括两个主要部分：优先级分配和资源分配。不同业务类型的连接主要依赖于它们的QoS要求来动态地调整优先级分配和调度带宽资源。我们考虑饥饿避免和资源管理。仿真结果表明，我们的APDS方法优于有代表性的调度方法在QoS满意度和保持公平性的饥饿预防。
2012-10-14 cs.NI
Scheduling for Cloud-Based Computing Systems to Support Soft Real-Time Applications
基于云的计算基础设施提供了支持实时的【形】处理工作负载的有效手段，虚拟化基站处理和协作视频会议。本文讨论了一个计算系统的资源分配与多个资源支持异构的软实时的【形】应用程序受到服务质量（QoS）的限制，失败，以满足处理的最后期限。我们开发了一个通用的外部边界上的可行的QoS区域的非透视资源分配政策，和一个自然类的政策的基础上动态优先级的应用程序的任务，有利于那些最大的（QoS）赤字的内部边界。这为研究两种自然资源分配策略的效率提供了途径：（1）针对具有可变工作负载的应用的基于优先级的贪婪任务调度，以及（2）针对具有确定性工作负载的应用的基于优先级的任务选择和最优调度。当任务处理期限相对较大和/或计算资源的数量较大时，这些简单策略的接近最优性出现。分析和模拟表明，大量的资源节省，这种政策的保留为基础的设计。
2016-03-07 cs.NI
Mobility-aware Caching Scheduling for Fog Computing in mmWave Band
作为云计算的延伸，网络边缘的雾计算提供了低延迟、位置感知和实时交互等特性。同时，毫米波（mmWave）通信能够提供具有大可用带宽的定向多千兆比特传输速率。基于用户在一个区域内的移动轨迹，可以获得用户经常经过的几个活动热点。通过在热点附近的边缘节点缓存热门内容，用户可以在短距离内直接下载缓存内容，用户体验得到显著提升。考虑到一个区域内存在多个热点，如何有效地调度传输以满足边缘节点的缓存需求成为一个关键问题。在本文中，我们专注于在热点附近的边缘节点的缓存的移动性感知的传输调度问题，并利用多跳中继和并发传输，以实现更好的性能。在将最优调度问题表示为随机非线性混合整数规划之后，我们提出了一种移动性感知的缓存调度方案，称为MHRC（Multi-Hop Relaying based Caching），其中为边缘节点建立多跳D2 D路径，并且在边缘节点处的缓存调度中利用并发传输。广泛的性能评估表明，MHRC实现了超过1倍的预期缓存数据量相比，国家的最先进的计划。
2018-11-05 cs.NI
A Survey on QoE-oriented Wireless Resources Scheduling
未来的无线系统有望为越来越多的用户提供广泛的服务。先进的调度策略，因此出现，不仅执行有效的无线电资源管理，而且提供用户之间的公平性。另一方面，用户的感知质量，即，体验质量（QoE）正在成为移动设备设计的主要驱动因素之一。在这种情况下，本文首先提供了什么是QoE的理解和无线调度技术的发展概述。之后，最新的QoE为基础的调度策略的无线系统的调查，突出了文献中报道的不同方法的应用/服务，以及考虑到QoE优化的参数。因此，本文旨在帮助有兴趣的读者了解面向QoE的无线资源调度的基本概念，以及接触其当前的研究前沿。
2020-03-14 cs.MM cs.NI
Scheduling Jobs with Random Resource Requirements in Computing Clusters
我们考虑一个自然的调度问题，出现在许多分布式计算框架。具有不同资源需求（例如内存需求）的作业随着时间的推移而到达，并且必须由服务器集群提供服务，每个服务器具有有限的资源容量。为了提高吞吐量和延迟，调度器可以在服务器的容量限制下将尽可能多的作业打包到服务器中。受共享集群中工作负载日益复杂的影响，我们考虑了一种设置，其中作业的资源需求属于非常大量的不同类型，或者在极端情况下，甚至是无限多的类型，例如，当资源需求是从一个未知的分布在一个连续的支持。经典的调度方法，关键依赖于一个预定义的有限的类型集的应用程序是令人沮丧的，在这个高（或无限）维设置。我们首先描述了在这样的设置的最大吞吐量的基本限制，然后开发不经意的调度算法，具有低复杂度，可以实现至少1/2和2/3的最大吞吐量，而不知道的流量或资源需求分布。广泛的仿真结果，使用合成和真实的交通痕迹，验证我们的算法的性能。
2019-01-17 cs.DC cs.NI
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
Optimizing Distributed Networking with Big Data Scheduling and Cloud Computing
本文研究分布式网络中的大数据调度问题，结合云计算与软件定义网络分析数据管理的机遇和挑战，指出云环境大数据调度及 coflow 调度算法是未来网络优化重点。
2023-11-08 cs.DC cs.NI
Auction-based approximate algorithm for Grid system scheduling under resource provider strategies
提出了一种新的网格系统任务调度和资源分配的数学模型。该模型以负载均衡、饥饿预防和失败策略为约束条件，对具有不同优先级的用户采用预定义的服务质量来约束解决方案。这些策略由资源提供者根据提交到网格的作业数量来定义。为了解决该模型，一个现代的近似拍卖为基础的算法，它被实现为网格模拟器的原型，即多S网格。结果表明，18个不同的大型网格系统具有不同的随机能力和不同的用户。实验结果表明，基于拍卖的网格系统优化模型求解算法具有较好的性能。
2018-03-12 cs.NI
Evolutionary Computing Approach to Optimize Superframe Scheduling on Industrial Wireless Sensor Networks
物联网（IoT）引起了工业无线传感器领域的范式转变。物联网是一项蓬勃发展的技术，在短距离和固定无线传感方面处于领先地位。工业无线传感器网络调度中的一个重要问题是如何找到最小化故障时间的最优解。提出了一种基于进化算法的车间调度优化方法，即粒子群优化算法（PSO）、正交学习PSO、遗传算法（GA）和改进遗传算法。我们还评估了当代的方法，截止日期单调调度ISA 100.11a。通过使用该标准作为案例研究，所提出的模拟是面向对象的，具有许多变化的时隙和无线传感器节点的数量。仿真结果表明，使用遗传算法和改进的遗传算法可以提供更好的性能，空闲和错过截止日期。文中给出了全面而详细的性能评估。
2018-12-04 cs.NI
Low-Complexity Dynamic Resource Scheduling for Downlink MC-NOMA Over Fading Channels
在本文中，我们研究动态资源调度（即，联合用户、子信道和功率调度）用于时变衰落信道上下行链路多信道非正交多址（MC-NOMA）系统。具体来说，我们解决加权平均和速率最大化问题的服务质量（QoS）的约束。特别是，为了促进快速资源调度，我们专注于开发一个非常低的复杂度算法。为此，通过利用拉格朗日对偶和随机优化理论，我们首先开发了一个机会MC-NOMA调度算法，从而将原问题分解为一系列的子问题，每个时隙一个。因此，资源调度工作在一个在线的方式，解决一个子问题，每个时隙，使其更适用于实际系统。然后，我们进一步开发了一种启发式的联合子信道分配和功率分配（Joint-SAPA）算法，具有非常低的计算复杂性，称为Joint-SAPA-LCC，解决每个子问题。最后，通过仿真，我们表明，我们的联合SAPA-LCC算法提供了良好的性能相媲美，现有的联合SAPA算法，尽管需要低得多的计算复杂性。我们还表明，我们的机会MC-NOMA调度算法，其中的联合SAPA-LCC算法嵌入工作良好，同时满足给定的QoS要求。
2021-08-15 cs.IT cs.NI math.IT
Joint Device Scheduling and Resource Allocation for Latency Constrained Wireless Federated Learning
Hitachi (China) Research & Development Cooperation（日立（中国）研发有限公司）
在联邦学习（FL）中，设备通过经由无线信道上传其本地模型更新来为全局训练做出贡献。由于有限的计算和通信资源，设备调度对FL的收敛速度至关重要。在本文中，我们提出了一种联合设备调度和资源分配策略，以在给定的总训练时间预算内最大化延迟受限的无线FL的模型精度。训练性能损失的倒数的下限，根据训练轮的数量和每轮调度的设备的数量，导出。在此基础上，将精度最大化问题分解为两个子问题进行求解。首先，给定被调度的设备，最优带宽分配建议将更多带宽分配给具有较差信道条件或较弱计算能力的设备。然后，引入贪婪设备调度算法，在每一步中选择消耗最少更新时间的设备，直到最优带宽分配的下限开始增加，这意味着调度更多的设备会降低模型的准确性。实验结果表明，该策略优于国家的最先进的调度策略下，广泛的数据分布和细胞半径的设置。
2020-07-14 cs.IT cs.LG cs.NI
Phasic Policy Gradient Based Resource Allocation for Industrial Internet of Things
IEEE 802.15.4e标准中引入了时隙信道跳变（TSCH）行为模式，以满足工业物联网（IIoT）网络的超高可靠性和超低功耗通信要求。由于有限的资源和动态拓扑，在IIoT网络中调度分组传输是一项困难的任务。提出了一种基于阶段性策略梯度（PPG）的TSCH调度学习算法。所提出的基于PPG的调度算法通过采用行动者-评论者策略梯度方法来克服基于完全分布式和完全集中式深度强化学习的调度算法的缺点，该方法在两个阶段（即策略阶段和辅助阶段）学习调度算法。
2021-12-08 cs.NI
Efficient Large-Scale Multiple Migration Planning and Scheduling in SDN-enabled Edge Computing
在移动边缘云中分配的容器化服务为大规模和实时应用程序提供了低延迟响应的机会。同时，引入实时容器迁移，支持动态资源管理和用户移动性。然而，随着网络拓扑规模的扩大和迁移请求的增加，目前云数据中心的多种迁移规划和调度算法已不能适应边缘计算中的大规模场景。边缘计算中的用户移动性引起的实时迁移需要接近实时的调度。因此，本文通过软件定义网络（SDN）控制器，将实时迁移之间的资源竞争建模为动态资源依赖图。提出了一种基于迭代最大独立集（MIS）的多迁移规划调度算法.使用出租车和电信基站坐标的真实移动轨迹，评估结果表明，我们的解决方案可以在大规模边缘计算环境中有效地调度多个实时容器迁移。与云中最先进的迁移规划算法相比，它将处理时间缩短了3000倍，同时为时间关键型迁移提供有保证的迁移性能。
2021-11-17 cs.DC cs.NI
Joint Scheduling and Resource Allocation for Packets with Deadlines and Priorities
蜂窝网络为不同的应用提供通信。一些应用程序具有严格且非常短的延迟要求，而另一些应用程序则需要具有不同优先级的高带宽。满足要求的挑战在拥塞的流量中增长，其中一些数据包可能会错过它们的截止日期。不幸的是，我们证明了这个问题是NP-Hard。为了克服这一点，我们提出了一个新的调度策略的数据包具有多个优先级，延迟的要求，和严格的最后期限。为了减轻复杂性，我们的解决方案采用了一种新的时域松弛求解线性规划。仿真结果表明，该方法优于现有的调度策略。
2022-09-30 cs.NI cs.SY eess.SY
Consensus-based Resource Scheduling for Collaborative Multi-Robot Tasks
School of Computing, University of Georgia（佐治亚大学计算机学院）
本文提出将边缘计算与共识调度相结合的去中心化方法，用于多机器人协作任务，通过效用最大化选择资源，实现更低延迟、更高吞吐量和更好帧率。
2023-11-16 cs.NI cs.RO
Resource Allocation and Scheduling in Non-coherent User-centric Cell-free MIMO
本文研究了分布式多用户多输入多输出（MIMO）网络中的用户调度和资源分配问题。我们制定了一个加权和速率最大化问题，可以提供用户比例公平。由于在这种设置中，用户可以由许多发射机服务，因此用户调度特别困难。为了解决这个问题，我们使用块坐标下降，分数规划和压缩感知来构建一个算法，执行用户调度和波束成形。我们的研究结果表明，所提出的框架提供了一个8至10倍的增益，在长期的用户频谱效率相比，基准计划，如循环调度。此外，我们量化的性能损失，由于不完善的信道状态信息和导频训练开销使用一个定义的基于区域的导频重用因子。
2021-02-05 cs.IT cs.NI math.IT
R-Storm: Resource-Aware Scheduling in Storm
大数据时代已经导致了用于实时分布式流处理的新系统的出现，例如，Apache Storm是当今业界最流行的流处理系统之一。然而，像许多其他流处理系统一样，Storm缺乏智能调度机制。Storm中当前部署的默认循环调度忽略了资源需求和可用性，因此有时效率低下。我们提出的R-Storm（资源感知风暴），一个系统，实现资源感知调度风暴。R-Storm旨在通过最大限度地提高资源利用率，同时最大限度地减少网络延迟来提高整体吞吐量。在调度任务时，R-Storm可以满足软硬资源约束，并最大限度地减少相互通信的组件之间的网络距离。我们评估R-Storm的一组微基准风暴应用程序，以及在雅虎生产中使用的风暴应用程序！Inc.从我们的实验结果中，我们得出结论，R-Storm在微基准测试中比默认Storm提高了30-47%的吞吐量和69-350%的CPU利用率。对于Yahoo！在Storm应用程序中，R-Storm的整体吞吐量比默认Storm高出约50%。我们还证明了R-Storm在调度多个Storm应用程序时比默认Storm执行得更好。
2019-04-10 cs.DC cs.NI cs.PF
Priority-based Fair Scheduling in Edge Computing
调度在边缘计算中很重要。与云相比，边缘资源受到硬件限制，无法支持工作负载驱动的基础设施扩展。因此，边缘的资源分配和调度需要全新的视角。现有的边缘调度研究假设所有需要的资源，只要一个作业请求的可用性。本文挑战了这一假设，因为并非所有来自云服务器的作业请求都可以在边缘节点上调度。因此，保证客户端之间的公平性（云服务器卸载作业），同时考虑作业的优先级成为一项关键任务。本文提出了四种调度技术，第一种是一个天真的先来先服务的策略，并进一步提出了三种策略，即客户端公平，优先级公平，和混合帐户的公平客户端和作业优先级。在三种不同的情况下，即平等的，随机的，高斯作业分布的目标平台上的评估。实验研究突出了较低的开销和分配的边缘节点上的调度作业相比，天真的策略。结果证实了混合策略的优越性能，并展示了边缘计算公平竞争的可行性。
2020-01-24 cs.DC cs.NI
Hybrid Resource Scheduling for Aggregation in Massive Machine-type Communication Networks
数据聚合是实现大规模机器类型通信（mMTC）的有前途的方法。在这里，我们首先描述聚合阶段，其中大量的机器类型的设备发送到各自的聚合器。通过使用非正交多址接入（NOMA），我们提出了一种混合接入方案，其中几个机器类型的设备（MTD）共享相同的正交信道。然后，我们评估中继阶段，其中聚合的数据被转发到基站。系统性能的平均数量的MTD同时服务下不完美的连续干扰消除（SIC）在聚合器的两种调度方案，即随机资源调度（RRS）和信道相关的资源调度（CRS），然后被用来评估数据转发阶段的性能。
2019-06-25 cs.IT cs.NI math.IT
EdgeTimer: Adaptive Multi-Timescale Scheduling in Mobile Edge Computing with Deep Reinforcement Learning
EdgeTimer首次利用深度强化学习自动生成自适应时间尺度，通过三层分层框架和安全多智能体DRL优化移动边缘计算多层调度，在Kubernetes生产轨迹上实现最高9.1倍利润提升且不牺牲延迟性能。
2024-06-11 cs.DC cs.NI
Harnessing Large Language Models for Intelligent Resource Allocation in the Internet of Everything
University of Science and Technology Beijing（北京科技大学）
该研究针对万物互联的动态资源调度挑战，提出大语言模型驱动的资源分配方案，构建多维调度决策模型并引入反馈模块，仿真显示其在收敛速度等指标上表现优异。
2026-07-30 cs.LG cs.NI
Deep Reinforcement Learning for Resource Constrained Multiclass Scheduling in Wireless Networks
EURECOM（欧洲通信学院）；LTCI, Telecom Paris, Institut Polytechnique de Paris（巴黎理工学院巴黎电信学院LTCI）
本文研究了动态异构无线环境下的资源受限调度问题。在我们的设置中，分配可用的有限带宽资源，以服务随机到达的服务需求，这反过来又属于不同的类的有效载荷数据的要求，延迟容忍度，和重要性/优先级。除了异构业务，另一个主要的挑战源于随机的服务速率，由于时变的无线通信信道。可以使用用于调度和资源分配的各种方法，范围从简单的贪婪算法和约束优化到组合算法。这些方法是针对特定的网络或应用程序配置定制的，通常不是最佳的。为此，我们求助于深度强化学习（DRL），并提出了一种分布式深度确定性策略梯度（DDPG）算法结合深度集来解决上述问题。此外，我们提出了一种新的方式来使用决斗网络，这导致进一步的性能改善。我们提出的算法进行了测试的合成和真实的数据，显示一致的收益对国家的最先进的传统方法从组合，优化和调度指标。
2022-03-31 cs.IT cs.LG cs.NI
A Multi-server Scheduling Framework for Resource Allocation in Wireless Multi-carrier Networks
本文提出一种基于多服务器调度框架的跨层资源分配算法，通过MPGPS及其变体实现分组交换OFDM网络中多用户同时调度与功率、频谱效率的联合优化。
2006-11-16 cs.CE cs.NA cs.NI
Aggregation and Resource Scheduling in Machine-type Communication Networks: A Stochastic Geometry Approach
数据聚合是实现大规模机器类型通信（mMTC）的有前途的方法。本文重点研究聚合阶段，大量的机器类型的设备（MTD）发送到聚合器。通过使用非正交多址（NOMA）的原则，我们允许几个MTD共享同一个正交信道在我们提出的混合接入方案。我们开发了一个基于随机几何的分析框架，调查系统性能的平均成功概率和平均数量的同时服务的MTD，不完美的连续干扰消除（SIC）在聚合器，两种调度方案：随机资源调度（RRS）和信道感知资源调度（CRS）。我们确定的MTD共享相同的信道上的功率约束，以达到一个公平的共存与纯粹的正交多址接入（OMA）设置，然后发现功率控制系数，使这些MTD执行类似的可靠性。我们表明，在高接入需求下，CRS的混合方案优于OMA设置，同时服务更多的MTD，降低功耗。
2018-04-24 cs.IT cs.NI math.IT
