Joint Traffic Offloading and Aging Control in 5G IoT Networks
5G蜂窝技术的广泛采用将成为物联网应用增长的主要驱动力之一。在本文中，我们考虑了一个基于物联网数据读取启动智慧城市服务的服务提供商（SP）：为了服务于在不同位置收集的物联网数据，SP动态协商和重新调整带宽和服务功能。5G网络切片功能是在异构接入技术和不同站点类型上租用适量资源的关键。此外，不同的基础设施提供商将根据跨站点支持的特定接入技术和物联网数据汇集模式对切片服务收费。我们引入了基于信息时代（AoI）的定价机制，以降低SP的成本。它通过将部分流量负载从高度拥塞和更昂贵的位置转移到收费较低的位置，同时满足物联网服务的QoS要求，为设备提供了平滑流量的激励。所提出的最优定价方案包括两阶段决策过程，其中SP确定每个位置的定价，并且设备基于最优上传策略调度所收集数据的上传。模拟表明，SP通过调整切片成本和上传物联网数据的AoI之间的权衡，实现了一致的成本降低。
2022-01-19 cs.NI
Delay-aware and Energy-Efficient Computation Offloading in Mobile Edge Computing Using Deep Reinforcement Learning
物联网（IoT）被认为是各种有前景的应用的使能平台，例如智能交通和智能城市，其中大量设备互连以进行数据汇集和处理。这些物联网应用对存储和计算能力提出了很高的要求，而物联网设备通常是资源受限的。作为一种潜在的解决方案，移动边缘计算（MEC）在物联网设备附近部署云资源，以便在本地更好地满足其请求。在这项工作中，我们研究了具有多个边缘服务器的动态MEC系统中的计算卸载，其中具有各种要求的计算任务由IoT设备动态生成并在时变操作环境中卸载到MEC服务器（例如，信道条件随时间改变）。这项工作的目标是最大限度地在各自的截止日期前完成任务，并尽量减少能源消耗。为此，我们提出了一种端到端的深度强化学习（DRL）方法来选择最佳的边缘服务器进行卸载，并分配最佳的计算资源，以使预期的长期效用最大化。仿真结果表明，该方法优于现有的方法。
2021-03-13 cs.NI
IoT service slicing and task offloading for edge computing
随着物联网技术的进步，智能工厂、智能城市和智能汽车等各个领域都在使用物联网提供增值服务。此外，MEC和网络切片等技术为物联网提供了另一个机会，可以支持以前无法支持的更先进和实时的服务。然而，将这些技术简单地集成到物联网中并没有充分利用MEC和网络切片，或者分别减少延迟和流量优先级。因此，迫切需要一种有效的物联网平台集成机制，以最大限度地发挥使用此类技术的优势。在本文中，我们介绍了一种新颖的架构框架，该框架能够以最少的功能虚拟化物联网平台，以支持特定的物联网服务，并在靠近最终用户的边缘节点上托管实例。由于实例在MEC节点和网络切片所在的边缘节点处提供其服务，因此最终用户的流量不需要遍历回到云。这种架构不仅保证了低延迟，还保证了边缘节点处物联网服务的有效管理。为了证明所提出的架构的可行性，我们通过比较在中央云上运行的物联网服务和在边缘网关中使用切片物联网功能的物联网服务的传输时间来进行实验评估。结果表明，所提出的架构提供的传输时间比传统的基于云的物联网平台快两倍。
2020-08-24 cs.NI
Reinforcement Learning-Based Deadline and Battery-Aware Offloading in Smart Farm IoT-UAV Networks
安装有基站的无人机（UAV）是一种很有前途的智能农场监控技术。它们可以为广大的农业地区提供通信和计算服务。在多路访问边缘计算基础设施的帮助下，空中基站（ABS）网络可以为需要处理由现场部署的物联网设备提供的最后期限关键任务的智能农场提供节能解决方案。在本文中，我们介绍了一个多目标最大化问题和Q学习的方法，旨在处理这些任务的截止日期之前，同时考虑到无人机的悬停时间。我们还提出了三个启发式基线来评估我们的方法的性能。此外，我们引入一个整数线性规划（ILP）模型来定义我们的目标函数的上界。结果表明，Q-Learning在剩余能量水平和延迟违规百分比方面优于基线。
2022-02-12 cs.NI
SPATO: A Student Project Allocation Based Task Offloading in IoT-Fog Systems
物联网（IoT）设备高度依赖云系统来满足其存储和计算需求。然而，由于云服务器的远程位置，物联网设备经常遭受间歇性广域网（WAN）延迟，这使得延迟关键型物联网应用程序的执行变得不可想象。为了克服这个问题，服务提供商（SP）通常在网络边缘部署多个雾节点（FN），这有助于执行从IoT设备卸载的计算，并改善用户体验。由于FN的资源有限，因此将物联网服务与FN相匹配，同时从最终用户的角度确保最小的延迟和能量，并从SP的角度最大化收入和满足最后期限的任务是具有挑战性的。因此，在本文中，我们提出了一个学生项目分配（SPA）为基础的有效的任务卸载策略SPATO，考虑到不同的利益相关者的关键参数。仿真结果表明，SPATO算法在保证99.3%的任务在截止期内完成的情况下，可使负载能量和延迟分别降低29%和40%，收益提高25%。
2021-05-22 cs.GT cs.NI
SD-AETO: Service Deployment Enabled Adaptive Edge Task Offloading in MEC
近年来，边缘计算作为未来网络的重要支柱得到了快速发展。任务卸载是边缘计算的关键部分，可以为资源受限的设备提供计算资源，以运行计算密集型应用，加快计算速度并节省能源。一个高效可行的任务卸载方案，不仅可以大幅提升用户体验质量（QoE），还可以为5G/B5 G网络、工业物联网（IIoT）、计算网络等提供有力的支撑和帮助，为了实现这些目标，提出了一种基于服务部署的自适应边缘任务卸载方案（SD-AETO），该方案着眼于能量利用率的优化，EUR）和处理延迟。在SD-AETO方案的预实现阶段，考虑到每个服务的受欢迎程度，调用服务部署方案来帮助任务卸载。利用近似部署图（AD-图）得到最优服务部署方案。在此基础上，提出了一种基于任务优先级的任务调度和队列卸载设计方法，实现了SD-AETO方案。任务优先级由对应的服务流行度和任务卸载方向生成。最后，对SD-AETO方案进行了分析，并与相关方法进行了比较，结果表明，该方案在边缘网络中的大规模任务场景下具有更高的边缘卸载率和更低的资源消耗。
2022-05-06 cs.NI
Pricing-Driven Service Caching and Task Offloading in Mobile Edge Computing
通过提供移动边缘计算（MEC）服务，无线设备（WD）在本地运行其所需程序时不再需要经历长延迟，而是可以支付将计算任务卸载到边缘服务器的费用。考虑到其有限的存储空间，基站（BS）处的边缘服务器通过满足和指导WD的卸载决策来确定缓存哪些服务节目是重要的。在本文中，我们提出了一个MEC服务定价方案，以协调服务缓存的决定和控制WD的任务卸载行为。我们提出了一个两阶段的不完全信息的动态博弈模型和分析的BS和多个关联的WD之间的两阶段的相互作用。具体地，在阶段I中，BS确定MEC服务缓存并向WD宣布服务程序价格，目的是在存储和计算资源约束下最大化其预期利润。在阶段II中，给定不同服务程序的价格，每个WD自私地决定其卸载决策以最小化个体服务延迟和成本，而不知道其他WD的期望程序类型或本地执行延迟。尽管缺乏WD的信息和耦合的所有WD的卸载决策，我们得出的最佳阈值为基础的卸载政策，可以很容易地通过WD在第二阶段的贝叶斯均衡。然后，通过预测WD的卸载均衡，我们联合优化BS的定价和服务缓存在第一阶段通过一个低复杂度的算法。特别是，我们研究了统一和差异化的定价方案。对于差异化定价，我们证明了相同的价格应该收取相同的工作量的缓存程序。
2020-11-04 cs.NI
Computation Offloading for IoT in C-RAN: Optimization and Deep Learning
我们考虑在多输入多输出（MIMO）云无线接入网络（C-RAN）中物联网（IoT）应用的计算卸载。由于IoT设备（IoTD）中有限的电池寿命和计算能力，IoT设备的计算任务被卸载到MIMO C-RAN，其中MIMO无线电资源头（RRH）通过容量受限的前传链路连接到基带单元（BBU），这由空间滤波和均匀标量量化来促进。我们制定了一个计算卸载优化问题，以最大限度地减少物联网设备的总发射功率，同时满足计算任务的延迟要求，并发现该问题是非凸的。为了获得可行的解决方案，首先在MIMO RRH处局部优化空间滤波矩阵。随后，我们利用交替优化框架对基带单元处的残差变量进行联合优化，其中基带合并器以封闭形式获得，资源分配子问题通过连续内凸化来求解，并且量化比特数通过线搜索方法获得。作为一种低复杂度的方法，我们部署了一种有监督的深度学习方法，该方法使用我们的优化算法的解决方案进行训练。数值结果验证了所提算法和深度学习方法的有效性。
2019-09-24 cs.NI eess.SP
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
Heterogeneous GNN-RL Based Task Offloading for UAV-aided Smart Agriculture
针对无人机辅助智慧农业中的物联网任务卸载问题，提出基于图神经网络的强化学习方法，以降低截止时间违约、延长无人机任务时间并提升拓扑变化与故障场景下的鲁棒性。
2023-06-08 cs.NI
IoT-Aerial Base Station Task Offloading with Risk-Sensitive Reinforcement Learning for Smart Agriculture
University of Ottawa（渥太华大学）；Nokia Bell Labs（诺基亚贝尔实验室）
空中基站（ABS）允许智能农场将复杂任务的处理责任从物联网（IoT）设备卸载到ABS。物联网设备具有有限的能量和计算资源，因此需要为需要ABS支持的系统提供先进的解决方案。提出了一种新的基于多参与者的风险敏感强化学习方法用于智能农业ABS任务调度。该问题被定义为任务卸载，其严格条件是在最后期限之前完成物联网任务。此外，该算法还必须考虑ABS的有限能量容量。结果表明，我们提出的方法优于几个算法和经典的Q学习方法。此外，我们提供了一个混合整数线性规划的解决方案，以确定性能的下限，并澄清我们的风险敏感的解决方案和最优解之间的差距，以及。比较证明了我们广泛的仿真结果表明，我们的方法是一种有前途的方法，可以为智能农场中的物联网任务提供有保证的任务处理服务，同时增加该农场中ABS的悬停时间。
2022-09-15 cs.AI cs.NI
UAV-Assisted MEC Architecture for Collaborative Task Offloading in Urban IoT Environment
本文提出一种无人机辅助MEC协作架构，通过联合优化任务卸载策略与无人机拓扑，有效提升了城市物联网环境中的用户满意度与服务商利润。
2025-01-31 cs.NI cs.SY eess.SP
RL-based Adaptive Task Offloading in Mobile-Edge Computing for Future IoT Networks
针对物联网低延迟需求，提出基于强化学习的MEC辅助超密集蜂窝网络任务卸载方案，结合NOMA技术优化资源分配，显著提升能效、吞吐量与用户满意度。
2025-06-20 cs.NI cs.SY eess.SY
Vehicular Edge Computing via Deep Reinforcement Learning
智能汽车构成互联网汽车，可以执行各种智能服务。虽然车辆的计算能力有限，但多种类型的边缘计算节点为车辆服务提供了异构的资源，在将复杂的服务卸载到车辆边缘计算节点时，需要考虑多种因素，卸载决策工作主要是将决策归结为具有单个或多个目标函数和约束条件的资源调度问题，并探索定制的调度算法。然而，卸载服务中的多个数据依赖性任务是一个困难的决定，因为最佳解决方案必须了解资源需求、接入网络、用户移动性，以及重要的数据依赖性。受机器学习最新研究成果的启发，提出了一种基于知识驱动的车辆服务卸载决策框架，直接从环境中获取最优策略。我们将服务中多任务的卸载决策制定为长期规划问题，并探索最近的深度强化学习以获得最优解。它考虑了未来的数据依赖性的后续任务时，从学习卸载知识的当前任务的决策。此外，该框架支持在强大的边缘计算节点上进行预训练，并在执行车辆服务时持续在线学习，从而能够适应环境变化并学习事后明智的策略。仿真结果表明，KD业务卸载决策收敛速度快，适应性强，性能优于贪婪卸载决策算法。
2020-02-11 cs.NI
Joint Optimization of Service Caching Placement and Computation Offloading in Mobile Edge Computing Systems
在移动边缘计算（MEC）系统中，边缘服务缓存是指预先存储用于在MEC服务器处执行计算任务的必要程序。在资源受限的边缘服务器上，服务缓存放置通常是一个复杂的问题，与计算任务的卸载决策高度相关。在本文中，我们考虑一个单一的边缘服务器，协助移动用户（MU）在执行一系列的计算任务。特别地，MU可以在边缘服务器处运行其定制的程序，而服务器可以选择性地缓存先前生成的程序以供将来的服务重用。为了最小化MU的计算延迟和能量消耗，我们制定了一个混合整数非线性规划（MINLP），共同优化服务缓存的位置，计算卸载，和系统资源分配。我们首先推导出最优资源分配的封闭表达式，然后将MINLP转化为一个等价的纯0-1整数线性规划（ILP）。为了进一步降低求解ILP的复杂性，我们利用最优解的底层结构，并设计了一种降低复杂性的交替最小化技术来交替更新缓存放置和卸载决策。仿真结果表明，所提出的技术实现了大量的资源节省相比，其他代表性的基准方法。
2020-04-14 cs.NI
A Dynamic Service Offloading Algorithm Based on Lyapunov Optimization in Edge Computing
本文针对协作边缘计算中系统稳定性与卸载成本的权衡问题，提出基于Lyapunov优化的动态卸载算法LDSO，通过构建多跳数据传输与时变队列模型，在确保长期稳定性的同时最小化成本，显著提升了成本效率和系统稳定性。
2025-08-27 cs.NI
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
Green Offloading in Fog-Assisted IoT Systems: An Online Perspective Integrating Learning and Control
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）
在雾辅助物联网系统中，通常的做法是将任务从物联网设备卸载到其附近的雾节点，以减少任务处理延迟和能耗。然而，在线节能方案的设计仍然是一个开放的问题，因为各种不确定性的系统动力学，如处理能力和传输速率。此外，决策过程受到雾节点和物联网设备资源限制的约束，使设计更加复杂。在本文中，我们制定这样的任务卸载问题与未知的系统动力学作为一个组合的多臂强盗（CMAB）问题的长期约束的时间平均能耗。通过在线学习和在线控制的有效结合，我们提出了一个\textit{Learning-Aided Green Offloading}（LAGO）计划。在LAGO中，我们采用强盗学习方法来处理开发探索权衡，并利用虚拟队列技术来处理长期约束。我们的理论分析表明，LAGO可以减少平均任务延迟与一个可调的次线性遗憾界在有限的时间范围内，并满足长期的时间平均能量约束。我们进行了大量的模拟来验证这些理论结果。
2020-08-01 cs.AI cs.NI eess.SP
Execution Timing Control for Deterministic Task Offloading in the IoT-Edge-Cloud Continuum
Networked Systems Lab, Universidad Miguel Hernandez de Elche（埃尔切米格尔·埃尔南德斯大学网络系统实验室）
该研究针对物联网-边缘-云连续体中任务卸载的拥塞与资源利用问题，提出联合确定任务执行位置与时序的控制策略，显著提升了任务满意度并降低了资源消耗与执行时间。
2026-08-04 cs.DC cs.NI
Delay-Optimal Forwarding and Computation Offloading for Service Chain Tasks
本文研究边缘计算网络中服务链任务的延迟最优转发与计算卸载问题，提出一种分布式算法，通过分析KKT条件全局求解非凸优化问题，显著降低拥塞场景下的聚合网络成本。
2024-03-23 cs.NI
Quantum-Assisted Online Task Offloading and Resource Allocation in MEC-Enabled Satellite-Aerial-Terrestrial Integrated Networks
本文研究星地空一体化网络中的在线任务卸载与资源分配，提出基于Lyapunov的在线控制算法分解随机优化问题，并设计混合量子-经典广义Benders分解算法高效求解单时隙混合整数非线性规划，以最小化服务延迟。
2024-12-20 cs.NI
EDOS: Edge Assisted Offloading System for Mobile Devices
将资源密集型工作卸载到云和附近的用户是增强移动设备的一种有前途的方法。本文研究了一种混合卸载系统，同时考虑基于基础设施的网络和Ad-hoc网络的范围。具体来说，我们提出了EDOS，边缘辅助卸载系统，由两个主要组成部分，边缘助理（EA）和卸载代理（OA）。EA在路由器/塔上运行以管理注册的远程云服务器和本地服务提供商，OA在用户的设备上运行以发现附近的服务。我们提出了一套系统的协议来收集潜在的服务提供商和算法来分配任务，根据用户指定的约束。为了评估EDOS，我们在商业移动设备上对其进行原型设计，并在小规模测试平台上进行实验和模拟。结果表明，EDOS是有效的和高效的卸载作业。
2021-12-10 cs.NI
Computation Offloading in the Untrusted MEC-aided Mobile Blockchain IoT System
在支持移动区块链的物联网（IoT）系统中部署移动边缘计算（MEC）服务器是提高系统性能的一种很有前途的方法，然而，它对MEC服务器的信任提出了重大挑战。为了解决这个问题，我们首先在移动区块链网络中提出了一个不可信的MEC工作证明方案，其中大量的随机数哈希计算需求可以卸载到MEC服务器。然后，我们设计了一个随机数排序算法，该方案提供更公平的计算资源分配的所有移动物联网设备/用户。具体来说，我们将用户的随机数选择策略制定为非合作博弈，在不可信MEC辅助的移动区块链网络中，个体用户的效用最大化。我们还证明了纳什均衡的存在性，并分析了合作行为是不适合的区块链使能的物联网设备使用重复博弈。最后，我们设计了区块链的难度调整机制，以确保在很长一段时间内稳定的区块时间。
2019-11-19 cs.IT cs.NI math.IT
To Risk or Not to Risk: Learning with Risk Quantification for IoT Task Offloading in UAVs
University of Ottawa（渥太华大学）；Nokia Bell Labs（诺基亚贝尔实验室）
针对智能农场物联网（IoT）环境下多接入边缘计算（MEC）辅助无人机（UAV）网络的任务卸载决策算法，提出了一种深度强化学习技术。任务卸载技术使用金融概念，如成本函数和条件风险变量（CVaR），以量化每个风险行为可能造成的损害。该方法能够量化潜在的风险，以训练强化学习代理，以避免将导致农场不可逆转的后果的风险行为。这些后果包括未被发现的火灾、虫害或无人机无法使用。将所提出的基于CVaR的技术与其他深度强化学习技术和两种固定的基于规则的技术进行了比较。仿真结果表明，基于CVaR的风险量化方法消除了最危险的风险，这是超过火灾探测任务的最后期限。因此，它减少了违反最后期限的总数，而能源消耗的增加微不足道。
2023-02-14 cs.AI cs.LG cs.NI
Prediction based computation offloading and resource allocation for multi-access ISAC enabled IoT system
针对高移动性物联网中移动设备资源受限问题，提出基于预测的ISAC系统计算卸载与资源分配框架，通过提取轨迹和速度等数据属性进行分配决策，其ClusterMan软件包在预测中实现了97%的准确率。
2024-06-28 cs.DC cs.ET cs.NI
VEC-Sim: A Simulation Platform for Evaluating Service Caching and Computation Offloading Policies in Vehicular Edge Networks
本文提出VEC-Sim仿真平台，通过建模服务特征向量、车辆移动性、服务流行度演化等真实机制，并借助模块化架构与丰富API，实现对车载边缘网络中服务缓存与计算卸载策略的准确评估与高效案例研究。
2024-10-09 cs.NI
An Actor-Critic Reinforcement Learning Method for Computation Offloading with Delay Constraints in Mobile Edge Computing
在本文中，我们考虑了一个移动边缘计算系统，云服务器和边缘服务器协同提供计算服务。移动边缘计算既可以减少服务延迟，又可以减轻核心网的负载。我们将不同优先级服务的平均延迟约束下的系统平均收益最大化问题建模为一个约束半马尔可夫决策过程（SMDP）。我们提出了一个行动者-评论家算法的资格痕迹，以解决有约束的SMDP。利用神经网络对策略参数和状态值函数的参数进行训练，不断提高系统性能。
2019-01-30 cs.NI
Smart-Edge-CoCaCo: AI-Enabled Smart Edge with Joint Computation, Caching, and Communication in Heterogeneous IoT
移动通信技术、硬件、分布式计算、人工智能（AI）技术的发展，推动了边缘计算在异构物联网（IoT）领域的应用。以克服传统云计算模式在大数据时代的缺陷。在本文中，我们首先提出了一种新的具有异构物联网架构的AI智能边缘，该架构结合了边缘计算，缓存和通信。然后，我们提出了Smart-Edge-CoCaCo算法。为了最小化总延迟并确定计算卸载决策，Smart-Edge-CoCaCo使用无线通信模型，边缘云中的协同过滤器缓存模型和计算卸载模型的联合优化。最后，我们建立了一个情感交互测试床，在真实环境中进行计算延迟实验。实验结果表明，随着计算任务数据量和并发用户数的增加，Smart-Edge-CoCaCo算法的计算延迟低于传统云计算模型。
2019-01-08 cs.NI
Wireless and Service Allocation for Mobile Computation Offloading with Task Deadlines
在移动计算卸载（MCO）中，移动设备（MD）可以选择在本地执行任务，或者在远程边缘服务器（ES）上执行任务。本文解决了分配所需的无线通信带宽，以及用于任务执行的ES能力，使任务完成时间的限制得到满足的问题。我们的目标是获得这些分配，使移动设备的平均功耗最小化，受到成本预算约束。该文件包括软和硬任务完成期限约束的贡献。首先，制定的问题是混合整数非线性规划（MINLP）。然后通过将问题分解为可以有效解决的凸子问题的集合来获得近似解。结果表明，所提出的解决方案，它可以在很宽的系统参数范围内实现接近最佳性能的质量。
2023-01-28 cs.NI
Age of Processing: Age-driven Status Sampling and Processing Offloading for Edge Computing-enabled Real-time IoT Applications
状态信息的新鲜度对于时间关键的物联网（IoT）应用非常重要。测量状态新鲜度的度量是信息年龄（AoI），其捕获从在源节点处生成状态（例如，然而，在智能物联网应用（例如视频监控）中，状态信息在一些计算密集且耗时的数据处理操作之后被揭示，这将影响状态新鲜度。在本文中，我们提出了一种新的度量，年龄的处理（AoP），量化这种状态的新鲜度，它捕获的时间流逝的最新收到的处理状态数据，因为它是生成的。与AoI相比，AoP进一步考虑了数据处理时间。由于物联网设备的计算能力和能量资源有限，设备可以在受限的状态采样频率下选择将数据处理卸载到附近的边缘服务器，通过联合优化状态采样频率和处理卸载策略，实现长期过程中平均AoP最小化。我们制定了这个在线问题作为一个无限时域约束马尔可夫决策过程（CMDP）的平均奖励标准。然后，我们转换CMDP问题到一个无约束的马尔可夫决策过程（MDP），利用拉格朗日方法，并提出了一个拉格朗日转换框架的原始CMDP问题。此外，我们整合的框架与扰动为基础的细化实现CMDP问题的最优策略。广泛的数值评估表明，该算法优于基准，平均AoP减少高达30%。
2020-03-24 cs.NI eess.SP
Base Station Selection and Task Offloading of the Mobile Edge Computing System
基于服务位置和基站选择这两个决策变量，构建移动边缘计算系统在各个时间范围内的切换时延、通信时延和排队时延模式的计算模型，最小化非切换时延，得到初始时间范围内的服务部署和基站选择决策;根据前一时间范围的判决计算当前时间范围的切换时延和非切换时延，并根据非切换时延容限较大的原则确定当前时间范围。如果服务未被重新分配，则当前时隙的决策与前一时隙的决策保持相同;如果服务被重新分配，则使当前时隙的未到达时间最小化，并获得当前时隙的服务分配和基站选择决策;迭代计算所有时隙的服务分配和基站选择决策。为用户提供低延迟的处理和服务质量，以满足用户移动的随机性。
2022-12-06 cs.NI
A Survey on Offloading in Federated Cloud-Edge-Fog Systems with Traditional Optimization and Machine Learning
物联网（IoT）设备生成的大量数据需要云、边缘和雾计算范式提供的计算能力和存储容量。每种计算模式都有自己的优点和缺点。云计算提供了增强的数据存储和计算能力，但会导致高通信延迟。边缘计算和雾计算提供类似的服务，具有较低的延迟，但容量，能力和覆盖范围有限。单一的计算范式无法满足物联网设备的所有要求，需要在它们之间建立联盟来扩展它们的容量、能力和服务。这种联合对用户和提供商都有好处，也揭示了云、边缘和雾之间流量卸载的研究问题。传统上，优化用于解决流量卸载问题。然而，在这样一个复杂的联邦系统中，传统的优化无法跟上决策制定的严格延迟要求，从毫秒到亚秒。机器学习方法，特别是强化学习，因此变得流行，因为它们可以快速地解决具有大量未知信息的动态环境中的卸载问题。这项研究提供了云、边缘和雾之间的一种新的联邦分类，并为不同的联邦场景提供了一个全面的研究路线图。我们调查的各种优化方法来解决这个卸载问题的相关文献，并比较其显着特点。然后，我们提供了一个全面的调查卸载联邦系统与机器学习的方法和经验教训，作为这些调查的结果。最后，我们概述了未来的研究和挑战，必须面对的几个方向，以实现这样的联邦。
2022-02-22 cs.NI
Offloading Optimization with Delay Distribution in the 3-tier Federated Cloud, Edge, and Fog Systems
移动边缘计算和雾计算是提供更接近用户的计算服务以实现更低延迟的有前途的技术。本文研究了三层联邦计算卸载系统中的最优卸载策略。首先，我们提出了计算服务延迟分布和超过给定阈值的任务延迟的概率的离散模型和封闭形式的解决方案。然后，我们提出了一个最佳卸载概率算法的基础上的次梯度方法。我们的数值结果表明，我们的模拟结果与我们的封闭形式的解决方案，我们的次梯度为基础的搜索算法可以找到最佳的卸载概率匹配得很好。具体而言，对于给定的系统参数，我们的算法产生的最佳QoS违反概率为0.188，卸载概率为0.675和0.37从雾到边缘和从边缘到云，分别。
2021-07-11 cs.NI
Koopman based trajectory model and computation offloading for high mobility paradigm in ISAC enabled IoT system
HCMC University of Technology（胡志明市技术大学）；VNU-HCM（胡志明市国家大学）
本文针对ISAC使能的物联网高移动性场景，提出基于Koopman的轨迹模型和贪婪资源分配优化策略，以最小化多用户网络总能耗，实验显示每1000次迭代可提升33%。
2024-06-28 cs.LG cs.NI cs.SY
HNLB: Utilizing Hardware Matching Capabilities of NICs for Offloading Stateful Load Balancers
为了扩展Web或其他服务，必须平衡相应服务的单个实例上的负载。许多服务都是有状态的，因此属于同一连接的数据包必须传递到同一实例。这就需要有状态的负载均衡器，而这些负载均衡器大多是在软件中实现的。一方面，支持软件负载均衡器的现代数据包处理框架（如数据平面开发工具包（DPDK））与旧方法相比具有更高的性能。另一方面，通用的网络接口卡（Network Interface Card，简称NIC）提供了额外的匹配功能，可用于进一步提高性能，进而减少必要的服务器资源。事实上，将匹配的数据包卸载到硬件可以释放服务器的CPU周期。因此，在这项工作中，我们提出了混合NIC卸载负载均衡器（HNLB），一个高性能的混合硬件-软件负载均衡器，利用NIC卸载硬件匹配功能。我们的性能评估的结果表明，使用NIC卸载的吞吐量可以增加高达50%，相比，一个高性能的软件实现。此外，我们研究了我们提出的方法的局限性，例如，可能的并发连接的有限数量。
2019-02-09 cs.NI
Scalable Oriented-Service Architecture for Heterogeneous and Ubiquitous IoT Domains
物联网（IoT）发展迅速，到2020年将有500亿个物联网设备互连。对于数量庞大的物联网设备，需要高度可扩展的发现架构来提供物联网资源和服务的自主注册和查找。当新的物联网设备被纳入互联网时，该架构应该能够动态更新，并对现有设备进行更改。目前在Internet上使用最多的发现体系结构是域名系统（DNS）。DNS通过两种分布式机制提供可扩展的解决方案：多播DNS（mDNS）和DNS服务目录（DNS-SD）。这两种机制都已被应用于发现本地物联网域中的资源和服务。然而，完整的架构尚未被设计为支持无处不在的物联网域的全局发现、本地目录和搜索引擎。此外，该架构应该提供其他横向功能，例如用于描述服务和资源的公共语义，以及用于与M2M平台和移动客户端互连的服务层。本文提出了一种基于DNS的面向服务架构，以支持全局发现，本地目录和分布式搜索引擎，使物联网资源和服务的可扩展查找。该架构提供了两种基于mDNS和DNS-SD的轻量级发现机制，这些机制已针对物联网设备的约束进行了优化，以允许自主注册。此外，我们分析并提供其他相关元素，如语义描述和通信接口，以支持物联网设备和客户端的异构性。所有这些元素都有助于构建一个可扩展的架构，用于发现和访问异构和无处不在的物联网域。
2013-11-18 cs.NI
An Internet of Things Service Roadmap
我们提出了一个路线图，以利用物联网（IoT）所提供的巨大机遇。我们认为，服务计算和物联网技术的最新进展相结合，为尚未设想的创新提供了一个独特的框架，以及尚未开发的物联网应用的出现。该路线图涵盖：新兴的新型物联网服务，主要研究方向的阐述，以及指导物联网和服务计算社区解决关键物联网服务挑战的路线图建议。
2021-02-01 cs.NI
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
Peer Offloading in Mobile Edge Computing with Worst-Case Response Time Guarantees
移动边缘计算（MEC）是一种在网络边缘提供云计算服务的新范式。为了利用有限的计算资源实现更好的性能，已经提出了协作边缘服务器（例如，MEC使能的基站）之间的对等卸载作为处理计算任务的突发和空间不平衡到达的有效技术。虽然各种性能指标的对等卸载政策已被认为在文献中，最坏情况下的响应时间，一个共同的服务质量（QoS）的要求，在实时应用程序，但得到的关注要少得多。为了填补这一空白，我们基于随机到达模型建立了对等体卸载问题，并针对有和没有任务到达率先验知识的情况提出了两种在线算法。我们的目标是在能量消耗和最坏响应时间的约束下最大化时间平均吞吐量的效用函数。理论分析和数值结果表明，我们的算法能够产生接近最优性能。
2020-09-03 cs.NI
Opportunistic Federation of CubeSat Constellations: a Game-Changing Paradigm Enabling Enhanced IoT Services in the Sky
空间物联网（IoST）是一个具有挑战性的范例，目前吸引了科学界和工业界的极大兴趣。IoST基于将空间部分整合到全球物联网（IoT）基础设施中。在相关文献中，通常会提到多个超小型卫星平台星座，用于在全球范围内提供物联网服务，其中也包括条件不利和基础设施薄弱的地区。在本文中，我们专注于多租户物联网场景，其中多个CubeSats星座通过利用动态联盟模型来提供服务。目标是通过利用最初为陆地物联网网络设计的有效合作策略，即移动物联网联邦即服务（MIFaaS）范式，在IoST场景中有效地提供服务。我们将这一愿景扩展到物联网卫星网络，以允许卫星星座通过与其他CubeSats星座的紧密合作行为有效地执行任务。所报告的性能评估研究表明，通过实施拟议的合作模式，就成功完成任务的百分比而言，可以实现更好的业绩。
2021-10-06 cs.NI
Offloading Execution from Edge to Cloud: a Dynamic Node-RED Based Approach
雾计算支持在终端设备中生成的数据直接在网络边缘存储、处理和操作的用例，但计算可以通过边缘到云连续体卸载到更强大的实例。这种卸载机制在现代多用途物联网网关的情况下尤其需要，其中需求和操作条件在部署之间可能会有很大变化。为了促进网关的开发和运营，我们直接实施卸载，作为嵌入在软件堆栈中的物联网快速原型过程的一部分，基于Node-RED。我们评估实施的方法，使用图像处理的例子，并比较各种卸载策略的基础上，资源消耗和其他系统指标，突出处理需求和服务水平达到的差异。
2018-10-26 cs.DC cs.NI cs.PF
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
VSDM: A Virtual Service Device Management Scheme for UPnP-Based IoT Networks
物联网设备无处不在的特性为计算和通信范式带来了新的令人兴奋的应用。由于其能够在物联网设备、普适应用程序和远程客户端之间实现自动配置的通信，通用即插即用（UPnP）协议的使用非常广泛。然而，UPnP的广告和发现机制在资源受限的IoT设备上产生了显著的开销。在本文中，我们提出了一种基于委托的方法，该方法通过将服务广告和发现相关开销从资源有限的物联网设备卸载到启用UPnP的物联网网络的资源丰富的邻居来扩展UPnP协议。我们的实验评估表明，该方案显示出显着的改进，基本的UPPENDIX，降低能耗和网络开销。
2020-11-04 cs.NI
Application-Aware Resource Allocation and Data Management for MEC-assisted IoT Service Providers
针对MEC辅助物联网服务中数据源与用户分离及服务间数据依赖问题，提出架构与模型，并采用线性松弛舍入启发式算法，仿真验证了其在非均匀流量下的高效性。
2025-01-24 cs.NI
Flexible Allocation of Heterogeneous Resources to Services on an IoT Device
在物联网（IoT）中，设备和网关可以配备有多个异构网络接口，其应当被大量服务利用。在这项工作中，我们的问题分配服务的资源需求的设备的异构接口建模，并给出了一个混合线性规划（MILP）formulation.For有意义的实例大小的MILP模型给出了最优的解决方案，提出的计算困难的问题。我们提供了有见地的结果，讨论的属性派生的解决方案相对于分裂的服务到不同的接口。
2015-04-13 cs.NI
A Computation Offloading Model over Collaborative Cloud-Edge Networks with Optimal Transport Theory
针对未来网络场景需求，提出基于计算卸载的协作机制，通过建立云服务器与边缘服务器间协作计算卸载模型处理终端差异化计算任务，相比常规算法有减少任务执行时间、提高资源利用率和降低终端能耗等改进。
2026-07-21 cs.NI
Technical Report for A Service-Fair UAV-NOMA System for Large-scale IoT scenarios
在$5$ G通信系统中，将无人机（UAV）与非正交多址（NOMA）技术相结合，可以获得更好的性能。为保证大规模场景下部署的传感器节点通信服务的公平性，采用图论和最小包围算法设计了一种用户调度策略，在通信过程开始前选择通信传感器节点。
2021-08-11 cs.NI
Task Offloading with Multi-Tier Computing Resources in Next Generation Wireless Networks
随着下一代无线网络的发展，物联网（IoT）正在向智能物联网（iIoT）发展，其中智能应用通常具有严格的延迟和抖动要求。为了在新兴的iIoT中为异构用户提供低延迟服务，通过有效结合边缘计算和雾计算，提出了多层计算。更具体地，多层计算系统通过沿着从云到事物的连续体将计算任务卸载和分散到多层节点来补偿云计算。在本文中，我们调查的关键技术和无线通信和资源分配方法，使多层计算系统中的任务卸载的方向。详细介绍了一个多层计算模型的主要功能和优化方法。我们希望本文将作为一个有价值的参考和指导的理论，算法和系统的机会，多层计算对下一代无线网络。
2022-05-27 cs.NI eess.SP
Beamforming in LEO Constellations for NB-IoT Services in 6G Communications
随着5G网络的首次商业化，超越5G（B5 G）或6 G，系统开始被定义。在这种情况下，物联网（IoT）服务将对5G系统产生更大的影响。为了应对大量的物联网设备，以及其中最先进的设备（例如，紧急情况下急救人员的实时摄像头信号），非地面系统将成为协助和补充地面网络的关键。在本文中，我们提出了一种基于地球同步轨道（GSO）和非地球同步轨道（NGSO）节点的多层非地面窄带物联网（NB-IoT）服务架构。为了应对设备的数量和潜在的大容量，我们建议在积极的全频率复用场景中实现最小均方误差（MMSE）波束成形。性能评估显示了所提出的解决方案的显著优势。
2021-01-21 cs.NI
3GPP Network Architecture Enhancement for Ambient IoT Service
本文介绍3GPP第18、19版本中面向环境物联网（A-IoT）服务的网络架构相关讨论，分析其架构需求、可选方案、安全认证机制及标准化挑战，提及RAN工作组已启动标准化工作。
2025-01-15 cs.NI
Distributionally Robust Optimization for Computation Offloading in Aerial Access Networks
针对AAN中任务数据量不确定导致的卸载与资源优化难题，提出基于历史数据构建不确定性集合的分布鲁棒优化方法，并设计基于MEC的时延优化算法，实现时延与能耗更优平衡。
2024-08-04 cs.NI
Truthful Computation Offloading Mechanisms for Edge Computing
边缘计算（EC）是一种很有前途的范例，为网络边缘的用户提供分布式计算解决方案。当将用户的计算卸载到EC时，为用户保留满意的体验质量（QoE）是一个重要的问题。EC中的计算卸载需要联合优化用户的接入点（AP）分配和边缘服务放置，由于其组合性质，这在计算上是难以处理的。此外，用户是利己的，并且他们可能误报他们的偏好，导致低效的资源分配和网络拥塞。在本文中，我们解决这个问题，并设计了一种新的机制，算法机制设计的基础上实现系统的平衡。该机制为每个新加入的用户分配一对合适的AP和边缘服务器以及服务价格，最大化即时社会盈余，同时满足EC系统中所有用户的偏好。声明真实的偏好对于用户来说是一种弱优势策略。实验结果表明，我们的机制优于用户均衡和随机选择策略的经验端到端的延迟。
2020-06-02 cs.NI
IEC61850 Sample-Value Service Based on Reduced Application Service Data Unit for Energy IOT
随着5G技术和低功耗无线通信技术的发展，大量物联网设备被引入能源系统。现有的物联网通信协议如MQQT和COAP不能满足高可靠性和实时性的要求。但61850-9-2采样值协议相对复杂，消息长度较大，对于传输速率有限的物联网设备难以保证实时传输。提出了一种基于应用服务数据单元的物联网控制器9-2采样值协议。通信协议严格按照IEC 61850 -9-2，可被现有的智能电子设备如合并单元识别。该协议对部分参数进行了简化和调整，将浮点值改为整数值。考虑到无线通信的不稳定性，在2.4GHz WIFI的基础上，采用单播或组播UDP/IP发送SV Payload。最大传输速率可达30 Mbps。实现降低SV的硬件采用ESP 32-S，这是一款支持WIFI的双核MCU，频率为240 MHz。软件基于FreeRTOS、Linux和Libiec 61850。采用PC机或树莓派作为主机接收和分析数据包，验证了简化SV协议的可行性。
2022-02-15 cs.NI
Cost-Efficient Computation Offloading and Service Chain Caching in LEO Satellite Networks
针对LEO卫星网络中服务链缓存与计算卸载的联合优化问题，提出整数线性规划模型及三次时间复杂度的贪心算法，在考虑卫星协作与资源限制下，相比数据中心方案降低约20%总成本。
2023-11-14 cs.NI eess.SP
