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
Edge-Based QoS-Aware Adaptive Task Placement: A Closed-Loop Control in Multi-Robot Systems
Deakin University（德肯大学）；RMIT University（皇家墨尔本理工大学）；Zhejiang University（浙江大学）；Swinburne University of Technology（西姆伯恩理工大学）
提出一种QoS感知的自适应任务放置（ATP）控制器，通过多指标成本评分和闭环控制，在共享边缘节点上动态切换任务放置，以降低尾延迟和截止时间违规。
2026-07-28 cs.DC cs.NI cs.OS
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
Engineering Edge-Cloud Offloading of Big Data for Channel Modelling in THz-range Communications
毫米波和太赫兹范围无线通信（产生Gb/Tb范围的数据）中的信道估计对于配置与传输信号质量相关的系统参数至关重要，但它仍然是软件和硬件中的一个艰巨挑战。当前的信道估计方法，无论是基于建模还是基于数据（机器学习（ML）），都使用和创建大数据。这又需要大量的计算资源、读取操作来证明是否存在一些预定义的通道配置，例如，QoS要求，以及将QoS参数的新组合存储在数据库中的写入操作。特别是基于ML的方法需要高计算和存储资源、低延迟和更高的硬件灵活性。在本文中，我们设计并研究了将上述操作卸载到边缘和云计算系统，以了解边缘和云计算的适用性，从而在THz信道建模的示例中提供具有信道和链路配置参数的快速响应。我们评估了当计算和存储资源基于以下方式编排时工程系统的性能：1）单片架构，2）微服务架构，两者都是基于边缘云的方法。对于微服务方法，我们设计了Docker Swarm和Kubernetes系统。测量结果显示，边缘计算和微服务具有很大的前景，可以快速响应，以正确配置参数，并通过超高速无线通信提高传输距离和信号质量。
2021-11-16 cs.NI
Traffic-cognitive Slicing for Resource-efficient Offloading with Dual-distillation DRL in Multi-edge Systems
针对动态多边系统中流量波动与异构资源导致的切片和卸载难题，提出SliceOff框架，结合自注意力流量预测、随机舍入自适应切片及双重蒸馏DRL，提升资源效率与ESP利润。
2024-11-28 cs.NI
Differentially Private Deep Q-Learning for Pattern Privacy Preservation in MEC Offloading
Northwest A&F University（西北农林科技大学）；Carnegie Mellon University（卡内基梅隆大学）；Singapore University of Technology and Design（新加坡科技设计大学）
移动边缘计算（MEC）是满足延迟敏感型物联网应用的服务质量（QoS）要求的一种有前途的范例。然而，攻击者可能会窃听卸载决定，推断边缘服务器（ES）的队列信息和用户的使用模式，从而引发模式隐私（PP）问题。因此，我们提出了一个卸载策略，联合最大限度地减少延迟，ES的能源消耗，和任务丢弃率，同时保持PP。首先，我们制定了一个马尔可夫决策过程（MDP）的动态计算卸载过程。接下来，我们开发了一种基于差分隐私的深度Q学习卸载（DP-DQO）算法来解决这个问题，同时通过将噪声注入到生成的卸载决策中来解决PP问题。这是通过用函数输出高斯过程机制修改深度Q网络（DQN）来实现的。我们提供了一个理论上的隐私保证和效用保证（学习误差界）的DP-DQO算法，最后，进行模拟，以评估我们提出的算法的性能，通过比较它与贪婪和基于DQN的算法。
2023-02-09 cs.CR cs.LG cs.NI
Intelligent Backhaul Link Selection for Traffic Offloading in B5G Networks
针对5G回传网络的容量压力问题，提出结合网络切片、IAB与卫星连接的动态回传方案，用DRL模型为拥塞基站切片选路，仿真验证DDQN智能体仅需约20个训练回合即可实现回传拓扑调整。
2025-01-15 cs.NI
Energy-Aware Traffic Offloading for Green Heterogeneous Networks
随着除了传统宏基站（MBS）之外还密集地部署小小区基站（SBS），异构蜂窝网络（HCN）架构可以有效地提高网络容量。为了支持氢氯化萘的巨大电力需求，可以利用可再生能源收集技术。在本文中，我们的目标是有效地利用所收集的能量，在满足服务质量（QoS）的要求，同时上网节能。为此，提出了能量感知的业务卸载方案，从而根据能量到达和业务负载的统计信息来联合优化用户关联、SBS的ON-OFF状态和功率控制。具体地说，对于单SBS情况，以封闭形式推导了激活SBS所获得的功率节省增益，并在此基础上得到了SBS激活条件和最优业务卸载量。此外，一个两阶段的能量感知业务卸载（TEATO）计划提出了多SBS的情况下，考虑不同的工作特性的SBS与不同的电源。仿真结果表明，所提出的方案可以实现超过50%的节能增益典型的日常交通和太阳能配置文件，与传统的交通卸载方案相比。
2016-01-14 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
End-to-End Quality of Service Management in the Physical Internet: a Digital Internet Inspired Multi-Domain Approach
对于物理互联网的“系统级功能”层，需要估计访问多个物流域的运输的端到端性能特征。本文提出了一种基于数字互联网功能的方法：一个服务水平协议注册表和服务质量处理器的组合。现有的SLA演算为QoS处理器提供了工具来组合所有可能的端到端路径的SLA参数，并为QoS处理器提供了在给定所需性能的情况下提出最佳路径的可能性。一个现实的实现提出了使用多目标/约束的方法和相关的域所有者和QoS处理器之间的通信形式。
2021-02-01 cs.NI
Social Network Analysis Inspired Content Placement with QoS in Cloud-based Content Delivery Networks
基于云的内容分发网络（CDN）中的内容放置（CP）问题利用资源弹性来构建保证QoS的成本有效的CDN。在本文中，我们提出了我们的新CP模型，它最佳地将内容放在云中的代理上，以实现（a）租赁存储和带宽资源的最小成本，用于进出云区域和区域的数据，（b）保证服务水平协议（SLA），以及（c）最小化QoS违规程度。CP问题是NP难的，因此我们设计了一个独特的基于推的启发式算法，称为加权社会网络分析（W-SNA）的CCDN提供商。W-SNA基于SNA的Betweeness Centrality（BC），并根据代理与网络图中其他顶点的关系对代理进行优先级排序。为了实现我们的独特目标，我们根据存储成本和内容请求得出的权重进一步优先考虑代理。我们比较我们的启发式的最先进的贪婪网站（GS）和纯粹的社会网络分析（SNA）的启发式，这是相关的，我们的工作。我们表明，W-SNA优于GS和SNA在最小化成本和QoS。此外，W-SNA保证SLA，但也最大限度地减少QoS违规的程度。据我们所知，这是第一个模型和启发式的同类，这是及时的，并给出了一个基本的预分配方案，为未来的在线和动态的资源供应CCDN。
2015-09-10 cs.MM cs.NI
Battery-Care Resource Allocation and Task Offloading in Multi-Agent Post-Disaster MEC Environment
针对灾后MEC环境中的任务卸载问题，提出基于rMAPPO的分布式优化方案，结合D2D通信和DVFS技术，并引入电池退化评估以延长电池寿命，仿真验证了其有效性。
2023-12-24 cs.NI eess.SP
Edge Robotics: Edge-Computing-Accelerated Multi-Robot Simultaneous Localization and Mapping
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）
随着智能机器人在各个领域的广泛渗透，机器人技术中的同时定位与地图构建（SLAM）技术越来越受到关注。然而，由于SLAM的密集图形计算和机器人有限的计算能力之间的性能矛盾，在多个机器人上协作SLAM仍然具有挑战性。虽然传统的解决方案求助于强大的云服务器作为外部计算提供商，但我们通过实际测量表明，数据卸载中的显着通信开销阻止了其对实际部署的实用性。为了应对这些挑战，本文将新兴的边缘计算范式推广到多机器人SLAM中，并提出了RecSLAM，这是一种多机器人激光SLAM系统，专注于在机器人-边缘-云架构下加速地图构建过程。与传统的多机器人SLAM不同，RecSLAM开发了一种分层地图融合技术，将机器人的原始数据引导到边缘服务器进行实时融合，然后发送到云端进行全局融合。为了优化整体流水线，引入了一种高效的多机器人SLAM协同处理框架，自适应地优化机器人到边缘的卸载，以适应异构边缘资源条件，同时确保边缘服务器之间的工作负载平衡。广泛的评估表明，RecSLAM可以实现高达39%的处理延迟减少比最先进的。此外，概念验证原型的开发和部署在真实场景中，以证明其有效性。
2022-01-24 cs.AI cs.DC cs.NI
SLA-Aware Multiple Migration Planning and Scheduling in SDN-NFV-enabled Clouds
在支持软件定义网络（SDN）的云数据中心中，实时迁移是用于云服务中的虚拟机（VM）和服务功能链（SFC）中的虚拟网络功能（VNF）的重新分配的关键方法。使用实时迁移方法，云提供商可以在不中断用户服务的情况下解决其动态资源管理和容错目标。然而，在云数据中心中，以任意顺序执行多个实时迁移可能导致服务降级。因此，有效的迁移规划对于减少实时迁移开销的影响至关重要。此外，为了防止服务质量（QoS）降级和违反服务水平协议（SLA），有必要为具有各种紧急性的不同实时迁移请求设置优先级。在本文中，我们提出了SLARQs，一组算法，组成的最后期限感知的多迁移分组算法和在线迁移调度，以确定VM/VNF迁移的顺序。实验结果表明，该方法在合理的算法运行时间下，可以有效地减少截止期错过次数，并在总迁移时间、平均执行时间、停机时间和传输数据量等方面与逐个调度和两种最先进的算法相比，具有良好的迁移性能.我们还评估和分析多迁移规划和调度的QoS和能源消耗的影响。
2021-01-24 cs.DC cs.NI
Multi-Objective Offloading Optimization in MEC and Vehicular-Fog Systems: A Distributed-TD3 Approach
针对MEC与车载雾系统中的多目标卸载优化，提出分布式TD3方法，通过强化学习环境实现近乎最优卸载决策，以最小化延迟和能耗，仿真验证了其高效性。
2024-04-19 cs.NI eess.SP
ALVEC: Auto-scaling by Lotka Volterra Elastic Cloud: A QoS aware Non Linear Dynamical Allocation Model
资源分配中的弹性仍然是云计算中的相关问题。有许多学术和白皮书已经调查了这个问题并提供了解决方案。\textbf{Unfortunately, there are scant evidence of determining scaling number dynamically.}弹性被定义为通过调配和取消调配云资源来适应不断变化的工作负载的能力。受种群动力学和数学生物学的启发，提出了一种新的云数据中心资源分配模型ALVEC，通过自动调整模型参数来解决动态分配问题。提出的模型，由一个耦合微分方程称为Lotka Volterra（LV），票价更好的服务水平协议（SLA）管理和服务质量（QoS）。在理论和实证比较中，我们显示了真正弹性的证据。此外，ALVEC能够预测未来的负载并相应地分配VM。ALVEC模型是第一个无监督资源分配方案。
2018-05-18 cs.DC cs.NI
Design of QoS-aware Provisioning Systems
我们提出了一个架构的托管系统组成的一组托管的Web服务的QoS约束，和一定数量的服务器用于运行用户的需求。流量是基于会话的，而提供商和用户就指定预期服务性能水平的SLA达成一致，使得如果性能水平不令人满意，则服务提供商有责任补偿他/她的客户。该系统由效用函数驱动，该效用函数试图优化单位时间的平均收入。中间件收集需求和性能统计数据，并估计流量参数，以便做出有关服务器分配和准入控制的动态决策。我们实证评估的准入政策，资源分配和服务差异化计划的实现收入的影响，我们发现，我们的系统是足够强大的，成功地处理基于会话的流量在不同的条件下。
2010-12-02 cs.NI
Mobile Edge Computing and AI Enabled Web3 Metaverse over 6G Wireless Communications: A Deep Reinforcement Learning Approach
Nanyang Technological University（南洋理工大学）
本文面向6G Web3元宇宙的多用户沉浸式社交，提出结合移动边缘计算与深度强化学习的QoS模型，以实现近优信道资源分配并改善整体体验。
2023-12-11 cs.AI cs.NI
Joint Edge Server Deployment and Computation Offloading: A Multi-Timescale Stochastic Programming Framework
本文提出一种多时间尺度随机规划框架，用于联合优化边缘服务器部署、服务放置和计算任务卸载，以提升移动边缘计算的性能。
2025-10-22 cs.NI
Coverage-aware and Reinforcement Learning Using Multi-agent Approach for HD Map QoS in a Realistic Environment
University of Northumbria（诺森比亚大学）；University of Warwick（华威大学）
本文针对车载自组织网络中高清地图数据传输的时延与吞吐量保障问题，提出一种应用层 Q-Learning 算法，通过多智能体覆盖感知优化竞争窗口分配，在真实环境中以较少优化需求取得优于 DQN 和 Actor-Critic 的网络性能。
2024-07-19 cs.AI cs.LG cs.NI
QoS-based Packet Scheduling Algorithms for Heterogeneous LTE-Advanced Networks, Concepts and a Literature Survey
在过去的十年中，LTE用户及其应用的数量显著增加，这增加了对移动网络的需求。LTE-Advanced具有许多功能，可以支持这种不断增长的需求。LTE-Advanced支持异构网络部署，其中它由宏小区、远程无线电头端和诸如微微小区和毫微微小区的低功率节点的混合组成。与仅使用宏小区相比，在宏蜂窝网络中嵌入基站的这种混合允许在覆盖、吞吐量和系统容量方面实现显著增益。这些基站可以在与宏蜂窝网络相同的无线信道上运行，这将通过小区拆分提供更高的空间重用。此外，它允许网络运营商通过将更高的数据流量卸载到更小的小区（例如，毫微微小区）来支持更高的数据流量。因此，它使网络运营商能够向其数量不断增长的用户提供满足其服务需求的所需服务质量。为了使网络运营商充分利用异构LTE-Advanced网络，需要使用基于QoS的分组调度算法来有效地管理异构部署中的频谱资源。在本文中，我们调查的服务质量为基础的数据包调度算法，在文献中提出的异构LTE-Advanced网络中使用的数据包调度。我们首先解释LTE中的QoS概念、异构LTE-Advanced网络以及如何在异构LTE-Advanced网络的分组调度架构内对流量进行分类。然后，通过总结文献中提出的基于QoS的分组调度算法，用于异构LTE-Advanced网络，和用于Femtocell LTE-Advanced网络。最后，我们在最后一节提出一些结论性意见。
2022-08-27 cs.NI
Exploiting Non-Causal CPU-State Information for Energy-Efficient Mobile Cooperative Computing
在数量庞大的移动设备上清理空闲的计算资源可以为本地移动云计算提供强大的平台。这一愿景可以通过边缘设备之间的点对点协作计算（称为协同计算）来实现。本文考虑了一个协同计算系统，其中用户将输入数据的计算卸载到助手。帮助者基于预测的帮助者的CPU空闲简档来控制卸载过程，以最小化用户的能量消耗，该预测的帮助者的CPU空闲简档指定用于协同计算的可用计算资源的量。考虑这样一种情况：用户有一次输入数据到达，帮助程序缓冲卸载的位。将节能协同计算问题分解为两个子问题：自适应卸载的从问题和数据划分的主问题。给定固定的卸载数据大小，自适应卸载的目的是通过在截止期限和缓冲区约束下控制卸载速率来最小化用于卸载的能量消耗。通过推导最优解的充分必要条件，我们描述了最优策略的结构，并提出了计算策略的算法。此外，我们表明，最佳的数据分区卸载和本地计算在用户的问题是凸的，承认一个简单的解决方案，使用次梯度法。最后，开发的协同计算的设计方法扩展到突发数据到达用户帐户的数据因果关系约束的情况下。仿真结果验证了所提算法的有效性。
2017-09-04 cs.IT cs.NI math.IT
A Graph Neural Networks based Framework for Topology-Aware Proactive SLA Management in a Latency Critical NFV Application Use-case
Walton Institute for Information and Communication Systems Science, South East Technological University（东南理工大学沃尔顿信息与通信系统科学研究所）；South East Technological University（东南理工大学）
5G和6 G的推出的最新进展已经导致了经由灵活和软件化的通信网络的网络功能虚拟化（NFV）使能范例来交付的一系列新的延迟关键应用的出现。电信、智能电网、虚拟现实（VR）、工业4.0、自动驾驶汽车等不断发展的垂直行业受到低延迟和高可靠性愿景的推动，服务提供商和最终用户在有效弥合服务质量（QoS）约束方面存在很大差距。在这项工作中，我们希望通过提出一个积极的SLA管理框架，利用图神经网络（GNN）和深度强化学习（DRL）来平衡效率和可靠性之间的权衡，来解决延迟关键型服务的过度配置问题。总结我们的主要贡献：1）我们组成了一个基于图的时空多变量时间序列预测模型，在多输出场景中具有多个时间步预测，在用例上比现有的基线最新模型提高了74.62%的性能;以及2）我们利用用例的实际SLA定义来实现动态的SLA感知监督，以使用DRL扩展策略管理。
2022-11-10 cs.DC cs.LG cs.NI
Optimizing QoS in HD Map Updates: Cross-Layer Multi-Agent with Hierarchical and Independent Learning
University of Northumbria（诺森比亚大学）；University of Warwick（华威大学）
本文提出了一种跨层多智能体方法，通过分层和独立学习优化HD地图更新的QoS，显著降低不同服务的延迟。
2024-08-21 cs.NI
Tetris: An SLA-aware Application Placement Strategy in the Edge-Cloud Continuum
提出感知 SLA 的应用放置策略 Tetris，利用启发式算法在边缘与云间分发计算服务，相比基线减少约 76% 的 SLA 违规，有效提升用户 QoS。
2025-10-31 cs.DC cs.NI
SLA-Driven Load Scheduling in Multi-Tier Cloud Computing: Financial Impact Considerations
云服务提供商努力为客户端作业提供高服务质量（QoS）。这些工作在计算和服务水平协议（SLA）义务方面各不相同，在容忍延迟和违反SLA方面也各不相同。作业调度通过分配适当的资源来执行客户端作业，在服务云需求中起着关键作用。对这些作业的响应由云提供商在多层云计算环境上进行优化。通常，多层环境的复杂性和动态性会给满足此类需求带来困难，因为层相互依赖，这反过来又会使层转换的瓶颈在后续层中升级。然而，现有的方法的优化过程中产生单层驱动的时间表，不采用的SLA违反在执行客户端作业的差异影响。此外，在层级别上优化的调度对在后续层中制定的调度的性能的影响往往被忽略，导致在多层级别上测量时的性能低于最佳性能。因此，未能履行工作义务会招致SLA惩罚，惩罚的形式通常是经济补偿，或者是失去对所提供服务不满意的客户的未来利益和动机。在本文中，提出了一种调度和分配的方法来制定时间表，占SLA违规处罚的差异影响，从而产生的时间表，是最佳的财务业绩。队列虚拟化方案的目的是促进制定最佳的时间表在云环境的层和多层级别。由于调度问题是NP难的，生物启发的方法，提出了以减轻寻找最优调度的复杂性。
2021-11-05 cs.DC cs.NI cs.PF
Coordinated Tethering for Multi-RAT Cellular Networks: An Algorithmic Solution and Performance Analysis
利用已经部署的无线局域网（WLAN）（例如，WiFi接入点（AP）作为提高超4G无线网络性能的有效且实用的方法已经引起了相当大的关注。在本文中，我们提出了一种新的通信模式，以满足未来的无线网络的性能需求：一个混合蜂窝/无线局域网网络架构与无线卸载。与通常采用的WiFi卸载实践（其中WLAN AP具有有线回程（例如，数字用户线），我们提出了一种无线卸载的方法，其中WLAN接入点将与其他用户共享其无线蜂窝宽带连接。这些用户将选择他们的服务节点，即，宏小区eNodeB或WLAN AP。因此，一个具有挑战性的研究领域的起源，干扰效应和无线资源的限制发挥主导作用。重要的性能指标，建议的混合计划，包括误比特概率，遍历容量和平均信号干扰加噪声比，理论研究和封闭形式的表达式推导出单用户的情况下，多个干扰，相同和不相同的衰落条件。此外，基于一般的多蜂窝混合无线局域网蜂窝的概念，我们首先提出了一个小区间干扰最小化的方法。然后，我们提出了一种新的方案，用于实现频率复用等于一个在一个单一的宏小区，在特定的性能标准和约束条件下，保证整体小区或个别用户的QoS要求。
2018-06-11 cs.NI
Communication-Aware Consistent Edge Selection for Mobile Users and Autonomous Vehicles
School of Computing, University of Georgia（佐治亚大学计算机学院）；School of ECE, University of Georgia（佐治亚大学电气与计算机工程学院）
本文针对车辆移动导致的接入点切换与任务迁移联合问题，提出基于DDPG的深度强化学习框架及通信计算联合分配方法，以降低时延和中断并最大化QoS。
2024-08-06 cs.AI cs.NI cs.RO
Energy Efficient Computation Offloading and Virtual Connection Control in Uplink Small Cell Networks
针对 HetNet 多层网络的非凸分层优化问题，提出融合深度学习、联合资源分配、能效与流/功率控制的算法，在保障 SLA 与吞吐量限制下显著提升能效。
2024-12-24 cs.NI
Online Estimation of Resource Overload Risk in 5G Multi-Tenancy Network
作为第五代（5G）无线网络最具特色的特征，网络切片技术在共享的物理基础设施之上管理异构和逻辑隔离的切片中的资源和网络功能，其中每个切片可以独立地定制以满足其专用服务类型的特定要求。它实现了多租户网络的新范例，其中网络切片可以由移动网络运营商（MNO）以公共云计算服务的形式出租给租户，称为切片即服务（Slice-as- Service，SlaaS）。与经典的云计算场景类似，SlaaS受益于向众多租户超额预订其资源，利用资源弹性和多样性，但代价是冒着网络资源过载和违反服务级别协议（SLA）的风险，SLA规定了应向网络切片保证的服务质量（QoS）。因此，准确估计资源过载风险（特别是在复杂的网络动态下）以监控和增强SlaaS业务的可靠性成为MNO的关键挑战。
2021-06-15 cs.NI eess.SP
Efficient Resource Allocation for On-Demand Mobile-Edge Cloud Computing
移动边缘云计算是一种在普适无线电接入网络的边缘靠近移动用户处提供云计算能力的新范例。针对提供灵活的按需移动边缘云服务，本文提出了一个综合框架，包括面向用户的资源高效计算卸载机制和面向网络运营商的联合通信和计算（JCC）资源分配机制。具体来说，我们首先研究了用户的资源有效的计算卸载问题，以减少用户的资源占用，通过确定其最佳的通信和计算资源配置文件具有最小的资源占用，同时满足QoS约束。然后，我们解决的关键问题，用户准入控制JCC资源分配，以适当地选择一组用户的资源需求的满足。我们发现的准入控制问题是NP-难的，因此开发了一个有效的近似解决方案，通过仔细设计的用户排名标准，严格推导出其性能保证的低复杂度。为防止部分用户在获取移动边缘云服务时虚报估值的操纵行为，进一步借助临界值法这一有力工具，设计出JCC资源分配的真实定价方案。广泛的性能评估表明，所提出的方案可以实现按需移动边缘云计算的卓越性能。
2018-06-08 cs.DC cs.NI
NOMA-Assisted Multi-BS MEC Networks for Delay-Sensitive and Computation-Intensive IoT Applications
University of Science and Technology of China（中国科学技术大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出NOMA辅助多基站MEC网络，通过联合优化任务卸载、用户分组和功率分配，降低系统总延迟和功率消耗。
2026-02-07 cs.NI cs.SY eess.SY
Exploring Micro-Services for Enhancing Internet QoS
随着软件定义网络和虚拟化技术领域的增强，诸如网络功能虚拟化（NFV）和物联网（IoT）的新型网络范例正在迅速普及。物联网和5G网络的发展以及在线服务的爆炸式增长导致连接到网络的设备呈指数级增长。因此，应用服务提供商（ASP）和互联网服务提供商（ISP）正面临着前所未有的挑战，以适应日益增长的服务和业务需求，从地理上分布的用户。为了解决这个问题，许多ASP和ISP，如Netflix，Facebook，AT&T等越来越多地采用微服务（MS）应用程序架构。尽管MS在业界取得了成功，但目前还没有针对服务提供商的具体标准或研究工作作为指导方针，尤其是从基本微服务运营的角度来看。在这项工作中，我们的目标是弥合工业界和学术界之间的差距，并讨论不同的微服务部署，发现和服务提供商的通信选项，作为形成完整服务链的一种手段。此外，我们还解决了跨多个云（包括微云）调度微服务的问题。我们考虑不同的用户级SLA，如延迟和成本，同时调度这些服务。我们的目标是减少整体周转时间以及部署完整端到端服务的成本。在这项工作中，我们提出了一种新的基于亲和力的公平加权调度启发式算法来解决这个问题。我们还比较了所提出的解决方案与标准贪婪调度算法在文献中提出的结果，并观察到显着的改善。
2019-02-10 cs.NI
SLA-Safe Energy Control for AI-Native NG-RAN Using Stability-Aware Constrained PPO
Independent Researcher Dallas, TX, USA
针对5G NG-RAN节能中的SLA安全问题，提出稳定性感知的约束PPO框架，通过混合流量训练和切换惩罚，在七小区仿真中实现最高41.4%能耗降低且零SLA违规。
2026-09-09 cs.LG cs.NI eess.SP
Energy-Aware Compression-Computation Co-Adaptation for Latency Minimization in Multi-User Semantic Communication
School of Computing, Kyung Hee University（庆熙大学计算机学院）；University of Houston（休斯顿大学）；Department of Computer Science and Engineering, Kyung Hee University（庆熙大学计算机科学与工程系）
本文针对多用户语义通信的用户异质性问题，提出能量感知压缩计算协同适配（CoCo）框架，通过鲁棒编解码器与贪心子载波分配降低延迟，可满足各用户需求。
2026-08-17 cs.ET cs.IT cs.NI
Routing Metrics Depending on Previous Edges: The Mn Taxonomy and its Corresponding Solutions
当前运营商使用的路由算法旨在应对所需的QoS要求，同时优化其网络资源的使用。这些算法依赖于最优子结构属性（OSP），这表明，一个最优路径包含其他最优路径在it. However，我们表明，QoS指标，如排队延迟和缓冲区消耗不满足此属性，这意味着所使用的算法失去其最优性和/或完整性。这通过造成网络资源的浪费和/或违反服务水平协议（SLA）而对运营商经济产生负面影响。在本文中，我们提出了一个新的所谓的锰分类定义新的度量类。Mn度量对应于需要先前遍历的n个边的知识来计算其在给定边处的值的度量。基于这种分类，我们提出了三种解决方案，解决路由问题的新定义的类的指标。我们表明，国家的最先进的算法的基础上的OSP确实失去了原来的最优性和/或完整性，而我们提出的解决方案没有，在增加计算时间的代价。
2018-05-29 cs.NI
Design and Optimization of Aerial-Aided Multi-Access Edge Computing towards 6G
网络覆盖的普遍性是5G的主要特征之一，预计将在6 G中扩展到计算领域。为了在通信和计算中提供这种普遍存在的整体方法，可以预见卫星、空中和地面网络的整合。特别是，诸如机上娱乐和连接服务（IFECS）和支持SDN的卫星等应用数量的增加使网络管理更具挑战性。此外，由于严格的服务质量（QoS）要求，边缘计算对于这些应用的重要性增加。在这里，可以通过将航空网络的组件（如飞机）视为潜在的多访问边缘计算（MEC）节点来提高网络性能。因此，我们提出了一种空中辅助多访问边缘计算（AA-MEC）架构，该架构为空中计算资源和基于互联网的服务的优化管理提供了一个框架。此外，我们制定了优化问题，以最大限度地减少两个用例的网络延迟，即为天空中的其他飞机提供IFECS和为从卫星卸载AI/ML任务提供服务。由于卫星和空中网络的动态性质，我们提出了一个可重新配置的优化。对于转换网络，我们不断地为每个应用识别最佳MEC节点和到目的MEC节点的最佳路径。总之，我们的研究结果表明，使用AA-MEC将网络延迟性能提高了10.43%，而传统的方法仅使用地面MEC节点用于延迟关键型应用，如在线游戏。此外，在将我们提出的动态方法与静态方法进行比较时，我们记录了IFECS的流延迟至少减少6.7%和计算卸载减少56.03%的好处。
2022-06-29 cs.NI
Architectural Design Alternatives based on Cloud/Edge/Fog Computing for Connected Vehicles
随着车辆在人们的日常生活中发挥越来越重要的作用，对更安全和更舒适的驾驶体验的要求已经出现。互联车辆（CV）可以提供实现这些要求的使能技术，并引起了学术界和工业界的广泛关注。这些需求要求一个精心设计的计算架构，以支持CV应用程序的服务质量（QoS）。云计算、边缘计算和雾计算等计算卸载技术可以帮助CV处理计算密集型和大规模计算任务。此外，不同的云/边缘/雾计算架构适合于支持具有高度不同的QoS要求的不同类型的CV应用，这证明了计算架构设计的重要性。然而，大多数针对CV的云/边缘/雾计算的现有调查都忽略了计算架构设计，它们（i）只关注一个特定的计算架构，（ii）缺乏对不同架构替代方案的好处，研究挑战和系统要求的讨论。在本文中，我们对基于云/边缘/雾计算的CV的不同架构设计方案进行了全面的调查。本文的贡献是：（i）对现有的基于云/边缘/雾计算的CV架构设计方案进行了全面的文献调查，（ii）提出了基于云/边缘/雾计算的CV计算架构的新分类：计算辅助和计算使能的架构，（iii）基于CV系统的功能需求，对CV的不同云/边缘/雾计算架构进行全面比较，包括优势、劣势和研究挑战。
2020-09-26 cs.NI
Multi-Objective Provisioning of Network Slices using Deep Reinforcement Learning
King’s College London（伦敦国王学院）；Aalborg University（奥尔堡大学）
网络切片（NS）是下一代网络中有效实现多样化网络应用的关键。然而，复杂的服务质量（QoS）要求和网络服务中的多样异构性使得网络切片供应（NSP）优化需要大量计算时间。传统的优化方法难以满足网络应用的低延迟和高可靠性要求。为此，我们将实时NSP建模为在线网络切片配置（ONSP）问题。具体来说，我们制定的ONSP问题作为一个在线多目标规划优化（MOIPO）问题。然后，我们近似的MOIPO问题的解决方案，通过应用近端策略优化（PPO）方法的交通需求预测。我们的仿真结果表明，所提出的方法相比，国家的最先进的MOIPO解决方案具有较低的SLA违规率和网络运营成本的有效性。
2022-08-14 cs.LG cs.NI
Advancements in Mobile Edge Computing and Open RAN: Leveraging Artificial Intelligence and Machine Learning for Wireless Systems
本文综述 MEC 与 ORAN 的最新进展，重点分析 AI/ML（尤其 DRL 与智能 xApps）在计算卸载、网络切片、调度和在线训练中的应用及其对网络效率与可扩展性的贡献。
2025-07-28 cs.NI
Energy Efficient Virtual Machines Placement over Cloud-Fog Network Architecture
雾计算是一种新兴的范例，旨在通过将云扩展到网络边缘来提高云计算的效率和QoS。本文基于数学建模和逻辑学，提出了一个综合的能效分析框架，用于研究虚拟机（VM）服务从云到雾的卸载。该分析解决了不同因素的影响，包括虚拟机及其用户之间的流量，虚拟机工作负载，工作负载与用户配置文件的数量以及雾节点与用户的接近程度。总的来说，如果VM用户流量高和/或VM具有线性功率分布，则可以降低功耗。在这种线性简档情况下，如果用户的数量保持恒定，则多个VM副本的创建不会显著增加计算功耗（由于空闲/基线功耗可能会略有增加），然而，可以使VM副本更靠近终端用户，从而降低传输网络功耗。在我们的场景中，与优化的分布式云放置和现有AT&T网络云位置中的放置相比，在高用户数据速率下，云雾架构上的虚拟机优化放置可将总功耗分别显着降低56%和64%。
2020-01-15 cs.NI
CAMIG: Concurrency-Aware Live Migration Management of Multiple Virtual Machines in SDN-enabled Clouds
通过集成软件定义网络和云计算，可以通过虚拟机（VM）的实时迁移动态重新分配虚拟化网络和计算资源。当定期触发算法时，动态资源管理（如负载均衡和节能策略）可以请求多次迁移。在动态资源管理方面存在显著的研究成果，其减轻了单次迁移开销，例如在选择潜在的VM和迁移目的地时的单次迁移时间和共址干扰。然而，现有的动态资源管理方案忽略了迁移请求之间的资源依赖关系，导致迁移调度过程中服务质量（服务质量，QoS）下降和违反服务水平协议（SLA）。因此，必须将单个和多个迁移开销集成到VM重新分配规划中。在本文中，我们提出了一个并发意识的多迁移选择器，操作的基础上的最大集团和独立集的资源依赖图的多个迁移请求。我们提出的方法可以与现有的动态资源管理策略。实验结果表明，该方案在实现动态资源管理的同时，最大限度地提高了多次迁移的性能，有效地减少了迁移干扰，缩短了重新分配的收敛时间.
2021-11-17 cs.DC cs.NI
Stochastic Modeling and Resource Dimensioning of Multi-Cellular Edge Intelligent Systems
School of Electrical Engineering and Computer Science KTH Royal Institute of Technology（电气工程和计算机科学学院 皇家理工学院）
本文提出统一随机框架，用于多细胞边缘智能系统的资源维度设计，通过建模网络拓扑与排队论，推导端到端卸载延迟表达式，实现非凸联合优化以最小化部署成本并保证服务质量。
2026-01-23 cs.NA cs.NI math.NA
