MOFCO: Mobility- and Migration-Aware Task Offloading in Three-Layer Fog Computing Environments
针对三层雾计算中UE移动性导致服务迁移代价高的问题，提出MOFCO算法，将任务卸载与资源分配建模为MINLP问题并用启发式辅助演化博弈论求解，使系统成本平均降低19%，最高达43%。
2025-07-16 cs.AR cs.DC cs.NI
A Novel Offloading Partitioning Algorithm in Mobile Cloud Computing
本文已被作者撤回
2015-11-12 cs.DC cs.PF
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
Optimal Offloading Strategies for Edge-Computing via Mean-Field Games and Control
在异构边缘计算场景中的任务的最佳卸载具有很大的实际意义，无论是在自私的和完全合作的设置。在实践中，这样的系统通常非常大，使得合作最优或纳什均衡方面的精确解难以处理。为此，我们采用了一般的平均场公式，以解决无限大系统极限下的竞争和合作卸载问题。我们给出了理论保证的极限解的近似性质，并解决由此产生的平均场问题的数值。此外，我们验证了我们的解决方案的数值，发现我们的近似是准确的系统与几十个边缘设备。因此，我们获得了一个易于处理的方法来设计卸载策略在大型边缘计算场景与许多用户。
2022-09-08 cs.DC
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
Computation Offloading in Beyond 5G Networks: A Distributed Learning Framework and Applications
VTT Technical Research Centre of Finland（芬兰VTT技术研究中心）；University of Electro-Communications（电气通信大学）；Shizuoka University（静冈大学）；University of Windsor（温莎大学）；National Institute of Informatics（国立信息学研究所）
面对无线通信与多址边缘计算融合的趋势，研究了超五代网络中的计算卸载问题。为了解决MEC系统中的不确定性和有限资源共享所带来的技术挑战，我们将计算卸载问题表示为多代理马尔可夫决策过程，并提出了一个分布式学习框架。我们提出了一个案例研究的计算卸载资源编排展示潜力的在线分布式强化学习算法开发的框架下。实验结果表明，我们的学习算法优于基准资源编排算法。此外，我们概述了值得深入研究的研究方向，以尽量减少时间成本，这是一个主要的实际问题，防止建议的分布式学习框架的实施。
2020-07-15 cs.DC cs.LG
Digital Twinning of a Pressurized Water Reactor Startup Operation and Partial Computational Offloading in In-network Computing-Assisted Multiaccess Edge Computing
Chonnam National University（全南大学）；Institute for Energy Technology（能源技术研究所）
针对核电厂数字孪生中复杂人为行动表示及部分计算卸载延迟问题，提出两阶段方法：用概率图模型捕获人为行动，并将卸载问题建模为多用户博弈，设计去中心化算法优化卸载决策与资源分配，仿真验证有效性。
2024-06-24 cs.AI cs.DC cs.NI
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
Enhanced Mobile Computing Experience with Cloud Offloading
对提高移动终端性能的需求与对更长电池寿命的期望直接冲突。将计算卸载到多个设备是降低移动应用能耗和提高性能的有效方法。Android提供了创建移动应用程序的机制，但缺乏用于确定代码应在何处执行的本地调度系统。本文介绍了Jade，一个为Android应用程序添加复杂的能量感知计算卸载功能的系统。Jade监控设备和应用程序的状态，并自动决定代码应该在哪里执行。Jade通过适应Android和非Android设备的分布式网络中的工作负载变化、通信成本和能源状态来动态调整卸载策略。Jade通过提供易于使用的Jade API，最大限度地减少了开发人员构建具有计算卸载能力的应用程序的负担。评估表明，Jade可以有效降低移动应用平均功耗高达39%，同时提高应用性能。
2017-10-12 cs.DC
Joint D2D Collaboration and Task Offloading for Edge Computing: A Mean Field Graph Approach
移动边缘计算（MEC）有助于将计算卸载到边缘服务器，以及通过设备到设备（D2D）协作进行任务处理。现有的工作主要集中在集中式网络辅助卸载解决方案，这是不可扩展的场景涉及大量用户之间的协作。在本文中，我们提出了一个联合框架的分散D2D协作和高效的任务卸载的大人口MEC系统。具体来说，我们利用D2D协作的两种选择的力量，使用户能够以分散的方式相互帮助。由于短距离D2D通信和用户移动，我们制定了一个有限度和动态图的平均场模型来分析D2D协作的状态演化。我们得到了状态不动点的存在性、唯一性和收敛性，从而提供了一个易于处理的协作性能。为了补充这种D2D协作，我们进一步构建了一个Stackelberg游戏来模拟用户的任务卸载，其中边缘服务器是决定服务价格的领导者，而用户是做出卸载决策的追随者。通过将Stackelberg博弈嵌入到李雅普诺夫优化中，提出了一种在线卸载和定价方案，该方案可以同时优化服务器的服务效用和用户的系统成本。广泛的评估表明，我们的D2D协作可以通过$73.8\%$减轻用户的工作负载，任务卸载可以实现高能效。
2021-05-06 cs.DC
DMRO:A Deep Meta Reinforcement Learning-based Task Offloading Framework for Edge-Cloud Computing
随着移动数据的不断增长和对计算能力的前所未有的需求，资源受限的边缘设备无法有效满足物联网（IoT）应用和深度神经网络（DNN）计算的要求。边缘卸载作为一种分布式计算范式，将复杂的任务从物联网设备迁移到边缘云服务器，可以突破物联网设备的资源限制，减轻计算负担，提高任务处理效率。然而，最优卸载决策问题是NP难问题，传统的优化方法难以有效地获得结果。此外，现有的深度学习方法还存在一些缺点，例如，学习速度慢，环境变化时原有网络参数失效。为了应对这些挑战，我们提出了一种基于深度Meta强化学习的卸载（DMRO）算法，该算法将多个并行DNN与Q学习相结合，以做出细粒度的卸载决策。通过聚合深度学习的感知能力、强化学习的决策能力和元学习的快速环境学习能力，可以快速灵活地从物联网环境中获取最优卸载策略。仿真结果表明，与Deep Q-学习算法相比，该算法具有明显的性能提升，即使在时变的物联网环境中，也能实时做出卸载决策，具有较强的可移植性。
2020-08-23 cs.DC eess.SP
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
DiOMP-Offloading: Toward Portable Distributed Heterogeneous OpenMP
Stony Brook University（石溪大学）
针对传统HPC混合编程模型在分布式GPU内存管理与可移植性上的不足，提出分布式OpenMP框架DiOMP，融合OpenMP目标卸载与PGAS模型，实验证明其在多类异构平台上具备更优性能、可扩展性与可编程性。
2025-06-03 cs.DC
Reinforcement Learning Controlled Adaptive PSO for Task Offloading in IIoT Edge Computing
Curtin University（科廷大学）；Faculty of Science and Engineering（科学与工程学院）
提出结合APSO与强化学习SAC的混合方案，在IIoT边缘计算中适应动态变量并优化任务卸载决策与资源分配。
2025-01-25 cs.DC cs.LG
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
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
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
Joint Offloading Decision and Resource Allocation for Vehicular Fog-Edge Computing Networks: A Contract-Stackelberg Approach
随着移动设备的普及和计算密集型应用的发展，研究人员正专注于将计算卸载到移动边缘计算（MEC）服务器上，因为它具有高计算效率和低通信延迟。由于MEC服务器的计算资源有限，应充分利用市区内闲置资源丰富的车辆。然而，将计算任务卸载到车辆面临许多挑战性问题。在本文中，我们引入了一个车辆雾边缘计算范式，并制定它作为一个多阶段的Stackelberg游戏来处理这些问题。具体而言，车辆没有义务共享资源，更不用说披露其私人信息（例如，时间和资源的数量）。因此，在第一阶段，我们设计了一个基于合同的激励机制，以激励车辆贡献其闲置资源。其次，由于车辆、路侧单元（RSU）、MEC服务器和移动终端用户之间的复杂交互，协调各方资源并设计使所有实体受益的交易机制是具有挑战性的。在第二和第三阶段，基于Stackelberg博弈，我们制定了定价策略，最大化各方的效用。给出了各阶段最优策略的解析形式。仿真结果表明，我们提出的激励机制的有效性，揭示了能源消耗和卸载决策的用户与各种参数的趋势，并提出我们的框架和现有的MEC卸载范式在车辆网络的性能比较。
2022-02-26 cs.DC
Less Carbon Footprint in Edge Computing by Joint Task Offloading and Energy Sharing
在最先进的技术中，显着减少通信系统中的碳足迹（CF）仍然是紧迫的。我们在边缘计算的背景下应对这一挑战。电力供应的碳强度在时间和空间上都有很大的差异。这与通过电池管理系统（BMS）的能量共享一起，通过在时间和空间上重新分配计算任务，证明了面向CF的任务卸载的潜力。在本文中，我们考虑最佳的任务调度和卸载，以及电池充电，以最小化总CF。我们制定这个CF最小化问题作为一个整数线性规划模型。然而，我们证明，通过基于图的重新制定，问题可以作为一个最小成本流问题。这一发现表明，全局最优可以承认在多项式时间。使用实际数据的数值结果表明，优化可以减少高达83.3%的总CF。
2023-01-30 cs.DC
Coded Task Offloading for Fluid Computing: A Privacy-Aware Approach under D2D Networks
atlanTTic – ICLAB, Universidade de Vigo（阿特兰蒂克研究中心-互联网计算实验室，维戈大学）；Escuela de Ingeniería de Telecomunicación（电信工程学院）
针对 D2D 网络随机任务到达和队列动态，提出结合任务卸载与线性秘密共享的编码任务卸载方案，通过分支定界求解器和启发式调度器解决隐私感知卸载问题，改善延迟 - 能量权衡，揭示延迟 - 能量 - 隐私权衡。
2026-07-10 cs.DC
μ-DDRL: A QoS-Aware Distributed Deep Reinforcement Learning Technique for Service Offloading in Fog computing Environments
针对雾计算中复杂服务卸载的随机动态环境，提出基于APPO的分布式深度强化学习技术μ-DDRL，结合PPO裁剪与V-trace加速收敛，实现QoS感知的快速、可扩展服务卸载，显著改善异构服务执行时间。
2023-10-13 cs.DC
Knowledge-Guided Attention-Inspired Learning for Task Offloading in Vehicle Edge Computing
本文提出KATO方法，结合注意力编码器-解码器模型与迭代算法，在车辆边缘计算中高效选择RSU子集并优化任务分配，以低计算开销实现接近最优的卸载性能。
2025-06-04 cs.AR cs.DC
Decentralized Task Offloading in Edge Computing: A Multi-User Multi-Armed Bandit Approach
Huazhong University of Science and Technology（华中科技大学）；Huawei Technologies Co., Ltd（华为技术有限公司）；The Chinese University of Hong Kong（香港中文大学）
移动边缘计算方便用户将计算任务卸载到边缘服务器，以满足其严格的延迟要求。以前的工作主要探索任务卸载时，系统侧的信息是给定的（例如，服务器处理速度、蜂窝数据率）或系统不确定性下的集中卸载。但是，这两种方法通常都不足以处理在动态和不确定的环境中涉及许多共存用户的任务放置。在本文中，我们开发了一个多用户卸载框架，考虑未知但随机的系统侧信息，使分散的用户发起的服务放置。具体来说，我们制定了一个在线的多用户多臂强盗过程的动态任务放置，并提出了一个分散的基于时代的卸载（DEBO），以优化用户的奖励，受到网络延迟。我们表明，DEBO可以推断出最佳的用户-服务器分配，从而实现接近最佳的服务性能和紧O（log T）卸载遗憾。此外，我们推广DEBO各种常见的情况下，如未知的回报差距，动态进入或离开的客户端，公平的奖励分配，同时进一步探讨当用户卸载的任务需要异构的计算资源。特别是，我们完成了一个次线性的遗憾，为每一个这些情况。基于真实测量的评估证实了我们的卸载方案在优化延迟敏感奖励方面优于最先进的方法。
2021-12-28 cs.DC cs.LG
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
Computation Offloading with Multiple Agents in Edge-Computing-Supported IoT
针对物联网设备海量容量挑战及计算卸载中的复杂资源管理问题，提出一种基于深度强化学习与联邦学习的分布式卸载算法，证明该优化问题为NP难，并验证了算法在降低传输成本及提升系统性能方面的有效性。
2023-08-01 cs.DC
Relating Edge Computing and Microservices by means of Architecture Approaches and Features, Orchestration, Choreography, and Offloading: A Systematic Literature Review
背景：由边缘计算运行和提供支持的微服务已经在工业界和学术界引起了广泛的关注。自2014年Martin Fowler推广微服务术语以来，已经发表了许多与这些主题相关的研究，以探索边缘的低延迟特性如何与微服务分布式范式的高吞吐量相结合。目标：确定微服务如何与边缘计算协同工作，而它们在边缘上运行时可以利用这些优势。方法：为了更好地理解这种关系，我们首先确定了它的关键概念，它们是：架构方法和功能，微服务组合（编排/编排）和卸载。之后，我们进行了系统性文献综述（SLR）作为调查方法。结果如下：我们回顾了111项选定的研究，并建立了边缘计算微服务的分类，展示了它们当前的架构方法和功能，组合和卸载模式。此外，我们还确定了研究差距和趋势。结论：本文是向前迈出的一步，旨在帮助研究人员和专业人士全面了解微服务和边缘在过去几年中的关系。它还讨论了差距和研究趋势。这款单反相机也将是边缘和微服务领域新研究人员的一个很好的介绍。
2023-01-23 cs.DC
V2V-Based Task Offloading and Resource Allocation in Vehicular Edge Computing Networks
在车辆自组网的研究和应用中，通常假设车辆通过接入路侧单元（RSU）来获取云计算服务。但由于存在建设量不足、通信范围有限、路侧单元计算负荷过载等问题，仅依靠车对路侧单元的计算模式难以应对复杂多变的计算任务。本文在路侧单元缺失的情况下，将车载移动单元作为天然的边缘计算节点，充分利用移动车辆的多余计算能力，及时执行周边移动车辆的卸载任务。本文设计了OPFTO框架，提出了一种改进的任务分配算法HGSA，并在充分考虑车辆运动特性的基础上设计了预过滤过程。此外，车辆仿真实验表明，与其他任务调度策略相比，该策略具有时延低、准确率高的优点，为今后城市智能交通的建设提供了参考方案。
2021-12-30 cs.DC
Study of Automatic GPU Offloading Technology for Open IoT
物联网技术已经取得了进展。开放式物联网（Open IoT）的概念通过整合水平分离的设备和服务来实现各种物联网服务。对于开放物联网时代，我们提出了隐性计算技术，以发现用户需要的数据设备，并动态使用它们。然而，现有的默会计算并不关心性能和操作成本。因此，本文提出了一种GPU自动卸载技术，作为默会计算的基础技术，该技术利用遗传算法提取合适的卸载循环语句来提高性能。我们评估了一个C/C++矩阵操作，以验证GPU卸载的有效性，并确认在1小时的调整时间内性能提高了35倍以上。
2018-06-04 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
Collaborative Satellite Computing through Adaptive DNN Task Splitting and Offloading
针对单星计算资源受限难以独立处理DNN任务的问题，提出一种协作卫星计算系统，通过负载均衡的自适应任务分割方案和基于遗传算法的自适应任务卸载方案，有效提升了任务处理效率、资源利用率并降低了延迟。
2024-05-20 cs.DC
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
Heterogeneous Tasks Offloading in Vehicular Edge Computing: A Federated Meta Deep Reinforcement Learning Approach
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Chengdu Neusoft University（成都新soft大学）
本文提出了一种联邦元深度强化学习框架FedMAGS，用于解决车载边缘计算中异构任务卸载问题，通过图注意力网络捕捉DAG依赖关系，序列到序列策略生成结构化卸载决策，并利用联邦元学习实现跨分布式MEC服务器的快速适应。
2026-05-18 cs.DC cs.LG
Distributed and Application-aware Task Scheduling in Edge-clouds
边缘计算是一种新兴技术，它将计算置于网络边缘以提供超低延迟。计算卸载是一种将计算从移动设备迁移到远程服务器的范例，现在可以通过将计算卸载到边缘云中的云来使用边缘计算的力量。然而，边缘云计算卸载的任务调度面临着双重挑战。首先，由于微云在地理上是分布式的，因此在没有集中控制的情况下，每个微云很难执行负载均衡。第二，由于计算卸载的任务具有多种类型，因此在任务类型方面保证用户体验质量（QoE）是具有挑战性的。在本文中，我们提出了Petrel，一个分布式和应用程序感知的边缘云任务调度框架。Petrel实现了基于样本的负载均衡技术，并根据任务类型采用自适应调度策略。这种应用感知调度不仅提供了QoE保证，而且提高了整体调度性能。跟踪驱动的模拟表明，Petrel实现了显着的改善，现有的调度策略。
2019-02-12 cs.DC
A Fast Task Offloading Optimization Framework for IRS-Assisted Multi-Access Edge Computing System
BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）；Advanced Institute of Natural Sciences, Beijing Normal University（北京师范大学自然科学高等研究院）；Guangdong Key Lab of AI and Multi-Modal Data Processing（广东省人工智能与多模态数据处理重点实验室）
针对IRS辅助多接入边缘计算系统中任务卸载优化难题，提出基于深度学习的IOPO框架，可在毫秒内生成能效最优决策，优于传统方法。
2023-07-17 cs.DC cs.LG
Fast Adaptive Task Offloading in Edge Computing based on Meta Reinforcement Learning
University of Exeter（埃克塞特大学）；The University of Sydney（悉尼大学）；British Telecom（英国电信）
多访问边缘计算（MEC）旨在将云服务扩展到网络边缘，以减少网络流量和服务延迟。MEC中的一个基本问题是如何有效地将移动应用的异构任务从用户设备（UE）卸载到MEC主机。最近，人们提出了许多基于深度强化学习（DRL）的方法，通过与由UE、无线信道和MEC主机组成的MEC环境交互来学习卸载策略。然而，这些方法对新环境的适应性较弱，因为它们具有低的样本效率，并且需要完全重新训练来学习针对新环境的更新策略。为了克服这一弱点，提出了一种基于Meta强化学习的任务卸载方法，该方法能够以少量的梯度更新和样本快速适应新的环境。我们将移动应用程序建模为有向无环图（DAG），并通过自定义序列到序列（seq2seq）神经网络来实现卸载策略。为了有效地训练seq2seq网络，我们提出了一种方法，协同一阶近似和裁剪代理目标。实验结果表明，这种新的卸载方法可以减少高达25%的延迟相比，三个基线，同时能够快速适应新的环境。
2020-10-24 cs.DC cs.LG
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
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
QoS-SLA-Aware Adaptive Genetic Algorithm for Multi-Request Offloading in Integrated Edge-Cloud Computing in Internet of Vehicles
United Arab Emirates University（阿联酋大学）
车载自组织网络车联网是一项新兴技术，可实现智能城市应用的开发，重点是改善交通安全、交通效率和整体驾驶体验。这些应用程序有严格的要求，详见服务水平协议。由于车辆具有有限的计算和存储能力，因此应用请求被卸载到集成的边缘云计算系统上。现有的卸载解决方案集中于在执行时间方面优化应用的服务质量（QoS），并且遵守单个SLA约束。他们没有考虑重叠多请求处理的影响，也没有考虑车辆速度变化的影响。提出了一种新的人工智能QoS-SLA-aware自适应遗传算法（QoS-SLA-AGA）来优化异构边缘云计算系统中多请求卸载的应用程序执行时间，该算法考虑了处理多请求重叠和动态车辆速度的影响。建议的遗传算法集成了一个自适应的惩罚函数来同化SLA的延迟，处理时间，截止日期，CPU和内存的要求的约束。数值实验和分析比较我们的QoS-SLA-AGA随机卸载，和基线基于遗传的方法。结果表明，QoS-SLA-AGA执行请求的速度平均比随机卸载方法快1.22倍，SLA违规减少59.9%。相比之下，基于基因的基线方法将请求的性能提高了1.14倍，SLA违规增加了19.8%。
2022-03-01 cs.AI cs.DC cs.NA
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
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
Hybrid Vehicular and Cloud Distributed Computing: A Case for Cooperative Perception
在这项工作中，我们提出了使用混合卸载的计算任务，同时通过LTE通信到边缘服务器（垂直卸载）和通过V2V通信到附近的汽车（水平卸载），以提高与本地处理相比的任务处理速率。我们的主要贡献是一个优化的资源分配和调度框架的混合卸载的计算任务。该框架最佳地利用了边缘和微云中的计算资源，同时考虑了通信限制和任务要求。虽然合作感知是我们的框架的主要用例，该框架是适用于其他合作车辆应用程序的高计算需求和显着的传输开销。该框架在一个模拟环境中进行测试，该环境建立在从Veins车辆网络模拟器导出的汽车轨迹和通信速率之上。我们观察到的合作感知传感器帧的处理速率显着增加时，采用混合卸载与优化资源分配。此外，处理速率随着V2V连接而提高，因为可以水平卸载更多的计算任务。
2020-10-09 cs.DC cs.SY eess.SY
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
A Model Aware AIGC Task Offloading Algorithm in IIoT Edge Computing
Guangxi University Key Laboratory of Intelligent Networking（广西大学智能网络实验室）；Guilin University of Electronic Technology（桂林电子科技大学）
本文针对IIoT边缘计算中AIGC任务的动态特性与模型切换延迟问题，提出一种考虑模型切换开销的AIGC任务卸载框架及MADDPG-MATO算法，有效降低了任务延迟与能耗并提高了完成率。
2025-07-14 cs.AI cs.DC
ChunkFlow: Communication-Aware Chunked Prefetching for Layerwise Offloading in Distributed Diffusion Transformer Inference
University of California, Merced（加州大学梅尔德分校）；University of Chicago（芝加哥大学）；Yotta Labs（Yotta实验室）
ChunkFlow通过通信感知分块预取优化分层卸载，减少GPU内存占用并提升推理效率，在不同工作负载下实现内存与延迟的可调平衡。
2026-05-11 cs.DC cs.LG
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
Intelligent Offloading in Vehicular Edge Computing: A Comprehensive Review of Deep Reinforcement Learning Approaches and Architectures
Department of Electrical and Computer Engineering, University of Windsor（滑铁卢大学电气与计算机工程系）
本文综述了基于深度强化学习的车辆边缘计算卸载方法，分类比较了学习范式、系统架构和优化目标，并分析了马尔可夫决策过程的应用及未来研究方向。
2026-05-25 cs.AI cs.DC cs.LG
Dynamic Partial Computation Offloading for the Metaverse in In-Network Computing
Chonnam National University（全南国立大学）；Electronics and Telecommunications Research Institute（电子通信研究院）
针对COIN环境中元宇宙多子任务的动态部分卸载问题，本文将其分解为势博弈TSP与MDP形式的TOP，分别用去中心化NE算法和DDQN求解，实现能耗、延迟与长期性能优化。
2024-03-04 cs.AI cs.DC cs.GT
Optimal Congestion-aware Routing and Offloading in Collaborative Edge Computing
协同边缘计算（CEC）是一种新兴的范例，其中异构边缘设备通过共享通信和计算资源来协作以完成计算任务，例如模型训练或视频处理。然而，最佳的数据/结果路由和计算卸载策略在任意拓扑结构的CEC仍然是一个悬而未决的问题。在本文中，我们制定了流模型的部分卸载和多跳路由任意可分割的任务，每个节点单独决定其路由/卸载策略。与大多数现有的作品相比，我们的模型适用于具有不可忽略的结果大小的任务，并允许数据源与结果目的地不同。我们提出了一个网络范围内的成本最小化问题，具有可感知的凸成本函数的通信和计算。这样的凸成本覆盖各种性能指标和约束，例如有限处理器容量的平均延迟。虽然问题是非凸的，我们提供了必要条件和充分条件的全局最优解，并设计了一个完全分布式的算法，收敛到最佳的多项式时间，允许异步个人更新，并适应于任务模式的变化。数值计算表明，我们提出的方法显着优于其他基线算法在多个网络的情况下，特别是在拥挤的情况下。
2022-05-26 cs.DC cs.SY eess.SY
