Wireless Aggregation Latency in Edge Learning with Fractional Power Control
该研究针对边缘学习中多无线边缘服务器通信的多址瓶颈,采用分数功率控制,通过随机建模推导核心聚合延迟的解析表达式与上界,数值验证其可大幅降低延迟,为缓解该瓶颈提供了简单模型无关的机制。
2026-08-04 eess.SP
Phase Noise and Frequency Accuracy in Crystal-less Wireless Edge Nodes
本文提出了一个连接相位噪声和振荡器的长期频率精度的基本分析,并从噪声影响的角度探讨了无线边缘节点无晶体频率校准的可能性和局限性。N周期平均抖动(NPAJ)被引入作为相位噪声的频谱特性和长期频率精度之间的联系。研究发现,频率合成器中来自基准源的闪烁噪声或其他有色噪声是影响长期频率精度的主要噪声源。提出了一种基于N周期平均抖动概念的ADPLL平均处理单元,以提高低功耗无线电中常用的校准和开环方案的频率精度。利用这种低成本模块,频率校准精度可以直接与基准噪声性能相关联。因此,XO的设计与某些通信标准的可行性,可以很容易地评估所提出的理论。
2021-05-23 eess.SP
AirMoE: Realizing Over-the-Air Distributed Mixture-of-Experts Inference at the Wireless Edge
The University of Hong Kong(香港大学)
AirMoE是利用AirComp实现无线分布式MoE推理的框架,通过双时间尺度策略解决AirComp带来的挑战,在ARC-Easy基准上显著提升了E2E推理准确性,尤其适用于强设备异构场景。
2026-08-27 eess.SP
Robust Multidimensional Graph Neural Networks for Signal Processing in Wireless Communications with Edge-Graph Information Bottleneck
本文融合MDGNN与EGIB构建鲁棒无线信号处理框架,以超边更新表示并用最小充分信息抑制无关聚合,在多任务中提升SE、降低开销并增强抗干扰鲁棒性。
2025-02-15 eess.SP
Post-Hoc Conformal Prediction for Reliable Wireless Communications
KTH Royal Institute of Technology(皇家理工学院);King’s College London(伦敦国王学院);Institute for Intelligent Networked Systems, Northeastern University London(东北大学伦敦智能互联系统研究所)
本文提出事后共形预测框架,在操作约束下选择预测集合并可靠估计误覆盖概率,应用于窄带干扰检测、近场定位和波束识别,验证了无分布假设的可靠性保证。
2026-09-23 eess.SP
Decentralized Federated Learning on the Edge over Wireless Mesh Networks
针对中心化联邦学习的单点故障与攻击风险,本文研究无线 mesh 网络上的 DFL,结合随机几何、物理干扰模型、多种聚合方法与遗传算法压缩,在 EMNIST 上验证其精度相当且模型通信量约减半。
2023-11-02 eess.SP
Resource Allocation for Intelligent Reflecting Surface Aided Wireless Powered Mobile Edge Computing in OFDM Systems
无线供电的移动边缘计算(WP-MEC)已被认为是一种有前途的技术,可以为大规模低功耗无线设备提供增强的计算能力和可持续的能源供应。然而,当用于无线能量传输(WET)和计算卸载的传输链路是敌对的时,其能量消耗变得显著。为了减轻这种障碍,我们建议采用新兴的智能反射表面(IRS)在WP-MEC系统,这是能够提供一个额外的链接WET和计算卸载的技术。具体来说,我们考虑一个多用户的情况下,WET和计算卸载是基于正交频分复用(OFDM)系统。在此模型的基础上,通过优化WET信号的功率分配、无线设备的本地计算频率、子带设备关联和用于计算卸载的功率分配以及IRS反射系数,开发了一个创新的框架,以最大限度地减少IRS辅助WP-MEC网络的能耗。这种优化的主要挑战在于WET和计算的设置之间的强耦合以及IRS反射系数的单元模块约束。为了解决这些问题,交替优化的技术调用解耦的WET和计算设计,而两组局部最优的IRS反射系数提供的WET和计算卸载分别依赖于逐次凸逼近方法。数值结果表明,我们提出的方案是能够远远优于传统的WP-MEC网络没有IRS。
2020-03-11 eess.SP
Communication-Efficient Edge AI Inference Over Wireless Networks
School of Information Science and Technology, ShanghaiTech University(上海科技大学信息科学与技术学院)
鉴于智能设备的快速增长,预计大量高风险人工智能(AI)应用,例如,无人驾驶飞机、自动驾驶汽车、触觉机器人,将在不久的将来部署在无线网络的边缘。因此,智能通信网络将被设计为利用先进的无线技术和边缘计算技术来支持各种终端设备上的AI应用,这些终端设备具有有限的通信、计算、硬件和能源资源。在本文中,我们将介绍在网络边缘有效部署模型推理的原则,以提供低延迟和节能的AI服务。这包括用于低延迟设备分布式模型推理的无线分布式计算框架以及用于节能边缘协作模型推理的无线协作传输策略。通过智能反射面建立智能无线电传播环境,进一步提高了边缘推理系统的通信效率。
2020-04-28 cs.IT cs.LG eess.SP
Learning from Peers at the Wireless Edge
最后一英里连接由无线链路主导,其中异构节点共享有限且已经拥挤的电磁频谱。当前基于竞争的分散式无线接入系统本质上是反应性的,以减轻干扰。在本文中,我们建议使用神经网络学习和预测频谱的可用性,在一个合作的方式,使其可用性可以预测具有高精度,以最大限度地提高无线接入和最大限度地减少同时链路之间的干扰。边缘节点具有广泛的感知和计算能力,同时经常使用不同的运营商网络,这些运营商可能不愿意共享他们的模型。因此,我们引入了一个对等的联邦学习模型,其中一个局部模型是根据每个节点的感知结果进行训练,并在其对等体之间共享,以创建一个全局模型。基站或接入点充当集中式参数服务器的需求被授权边缘节点作为本地模型的聚合器并最小化模型传输的通信开销所取代。我们生成无线信道接入数据,用于训练本地模型。局部和全局模型的仿真结果表明,在各种网络拓扑结构中预测信道机会的准确率超过95%。
2020-01-30 cs.NI eess.SP
C-POD: An AWS Cloud Framework for Edge Pod Automation and Remote Wireless Testbed Sharing
University of Minnesota-Twin Cities(明尼苏达大学双城分校);University at Buffalo(布法罗大学)
C-POD是一种基于AWS的云框架,通过自动化边缘容器部署和远程无线测试床共享,降低OTA实验门槛,提升实验灵活性和可扩展性。
2026-02-15 cs.NI eess.SP
Time Synchronization in 5G Wireless Edge: Requirements and Solutions for Critical-MTC
无线边缘是关于向无线设备分发智能,其中准确时间基准的分发对于时间关键机器类型通信(cMTC)是必不可少的。在基于5G的cMTC中,在无线边缘实现时间同步意味着超越5G无线电接入中的当前同步需求和解决方案。在本文中,我们分析了潜在cMTC应用的设备级同步需求:工业自动化、配电、车载通信和现场音频/视频制作。我们提出了一种由5G空中接口参数组成的空中(OTA)同步方案,并讨论了它们相关的定时误差。我们评估了随机误差下定时提前(TA)的设备到基站传播延迟的估计误差,并展示了如何减少估计误差。最后,我们确定了密集多径衰落环境下的随机误差,并讨论了对策。
2019-06-14 cs.IT eess.SP math.IT
Bayes-Split-Edge: Bayesian Optimization for Constrained Collaborative Inference in Wireless Edge Systems
University of Kansas(堪萨斯大学);New Jersey Institute of Technology(新泽西理工学院)
针对无线边缘系统中能量和延迟约束下的协作推理,提出Bayes-Split-Edge,利用贝叶斯优化联合优化传输功率和分割点,实现高达2.4倍成本降低和近线性收敛。
2025-10-27 cs.DC cs.LG eess.SP
End-to-End Learning-Based Wireless Image Recognition Using the PyramidNet in Edge Intelligence
针对边缘智能低延迟需求,提出基于PyramidNet的端到端无线图像识别方案,通过网络拆分、加挤压激励模块和特征压缩,实现识别性能更优、设备端计算与通信开销更低的效果。
2023-07-20 eess.IV eess.SP
Wireless Edge Computing with Latency and Reliability Guarantees
边缘计算是一个新兴的概念,基于更接近终端网络节点的分布式计算,存储和控制服务。边缘计算是第五代(5G)无线系统及以后的核心。虽然当前最先进的网络以集中方式(在云端)通信、计算和处理数据,但对于延迟和以计算为中心的应用,无线电接入和计算资源必须更接近边缘,利用终端设备附近的支持计算和存储的小型小区基站的可用性。此外,网络基础设施必须支持分布式边缘决策服务,该服务能够学习以最小的延迟适应网络动态,并相应地优化网络部署和操作。本文将通过首先讨论网络边缘必须提供的应用程序来重新审视边缘计算的概念,并特别强调为虚拟现实(VR),车辆到一切(V2X),边缘人工智能(AI)等关键任务应用程序实现超可靠和低延迟边缘计算服务所面临的挑战。此外,几个案例研究的优势是关键的探讨,其次是见解和未来的工作前景。
2019-05-13 cs.NI eess.SP
Communication-Control Co-design in Wireless Edge Industrial Systems
我们考虑在工厂环境中通过利用边缘计算能力的共享无线信道控制一系列工业系统(如工业机器人)的问题。无线控制系统模型支持将计算密集型功能(例如感知工作负载)卸载到边缘服务器。然而,无线通信容易发生分组丢失和延迟,并且如果链路没有保持足够可靠,则可能导致不稳定或任务失败。由于保持高可靠性和低延迟在任何时候都禁止可扩展性,由于资源的限制,我们提出了一个通信控制协同设计的范例,不同的网络服务质量(QoS)和由此产生的控制行动,每个工厂的动态需求。我们进一步提出了一个模块化的学习框架,以解决复杂的学习任务,没有知识的植物或通信模型在一系列的学习步骤,并证明其有效性,在机器人传送带任务中学习资源有效的协同设计政策。
2022-02-08 cs.SY eess.SP eess.SY
Towards an Intelligent Edge: Wireless Communication Meets Machine Learning
University of Hong Kong(香港大学);Hong Kong University of Science and Technology(香港科技大学)
最近人工智能(AI)的复兴正在彻底改变科学和技术的几乎每一个分支。鉴于无处不在的智能移动设备和物联网(IoT)设备,预计大多数智能应用将部署在无线网络的边缘。这一趋势引起了人们对实现“智能边缘”的强烈兴趣,以支持各种边缘设备上支持AI的应用程序。边缘学习是无线通信和机器学习两个学科交叉的一个新的研究领域。边缘学习的一个主要主题是克服每个边缘设备上有限的计算能力和有限的数据。这是通过利用移动边缘计算(MEC)平台并利用分布在大量边缘设备上的海量数据来实现的。在这样的系统中,从分布式数据中学习和边缘服务器与设备之间的通信是两个关键的耦合方面,它们的融合带来了许多新的研究挑战。本文倡导一套新的边缘学习无线通信设计原则,统称为学习驱动通信。提供了说明性的例子来证明这些设计原则的有效性,并确定了独特的研究机会。
2018-09-02 cs.IT cs.LG cs.NI
Joint Optimization of Signal Design and Resource Allocation in Wireless D2D Edge Computing
在本文中,我们研究了设备到设备(D2D)网络的分布式计算能力。D2D网络的一个关键特征是其拓扑结构可重新配置以应对网络需求。对于分布式计算,由于有限的网络和通信资源,导致信道间干扰,资源管理是具有挑战性的。为了克服这一点,最近的研究已经解决了无线调度,子信道分配,功率分配和多输入多输出(MIMO)信号设计的问题,但没有考虑他们联合。在本文中,与以前的移动边缘计算(MEC)方法不同,我们提出了一种无线MIMO信号设计和网络资源分配的联合优化,以最大限度地提高能源效率。鉴于所产生的问题是一个非凸的混合整数规划(MIP),这是禁止在规模上解决,我们将其解决方案分解为两个部分:(i)一个资源分配子问题,优化的链路选择和子信道分配,和(ii)MIMO信号设计子问题,优化的发射波束形成器,发射功率和接收组合器。使用无线边缘拓扑结构的仿真结果表明,我们的方法产生的能量效率大幅提高相比,没有卸载和部分优化的方法的情况下,效率的规模以及网络的大小。
2020-03-04 cs.NI eess.SP
Collaborative Computation Offloading in Wireless Powered Mobile-Edge Computing Systems
本文研究了一种新的无线供电移动边缘计算系统中的用户协作模型,其中两个无线用户收集由一个能量节点传输的无线功率,并且可以将他们的部分计算任务卸载到边缘服务器(ES)进行远程执行。特别是,我们认为一个用户到ES之间的直接通信链路被阻塞,使得另一个用户充当中继来将其卸载数据转发到服务器。同时,而不是转发所有接收到的任务数据,我们还允许帮助用户本地计算部分接收到的任务,以减少潜在的高能量和时间成本的任务卸载到ES。我们的目标是通过联合优化每个设备(用户和ES)计算的任务数据量,系统时间分配,用户的发射功率和CPU频率,最大限度地提高在给定的时间范围内可以处理的数据量。我们提出了一种有效的方法来找到最优解,并表明,所提出的用户合作可以有效地提高系统的计算性能相比,其他代表性的基准方法在不同的情况下。
2019-09-04 cs.NI eess.SP
Joint Wireless and Edge Computing Resource Management with Dynamic Network Slice Selection
网络切片是在边缘计算系统中实现低延迟计算卸载的一种有前途的方法。在本文中,我们考虑了网络切片下的边缘计算系统,其中无线设备生成延迟敏感的计算任务。我们解决的问题,联合动态分配的计算任务的切片,跨切片的无线电资源的管理和切片内的无线电和计算资源的管理。我们制定的联合切片选择和边缘资源管理(JSS-ERM)问题作为一个混合整数问题的目标,以最大限度地减少计算任务的完成时间。我们表明,JSS-ERM问题是NP-难的,并开发了一个近似算法与有界的逼近比的基础上的博弈论处理的问题。我们提供了大量的仿真结果表明,网络切片可以提高系统的性能相比,没有切片,所提出的解决方案可以实现显着的收益相比,平等的切片政策。我们的研究结果还表明,所提出的算法的计算复杂性是近似线性的设备的数量。
2020-01-22 cs.NI eess.SP
Edge-Native Embodied Intelligence for Action-Aware Wireless Edge Networks
Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院空天信息创新研究院);University of Chinese Academy of Sciences(中国科学院大学);Queen’s University Belfast(贝尔法斯特女王大学);Sungkyunkwan University(成均馆大学)
该研究提出边缘原生具身智能(ENEI)框架,整合6G技术与具身智能,通过双向循环解决具身智能部署的资源与延迟问题,经案例验证可支撑自适应具身无线系统。
2026-08-19 cs.SY eess.SP eess.SY
A Photonic-Circuits-Inspired Compact Network: Toward Real-Time Wireless Signal Classification at the Edge
Princeton University(普林斯顿大学);Queen’s University(女王大学);Vector Institute(矢量研究所);Lockheed AI center(洛克希德人工智能中心);the Chinese University of Hong Kong(香港中文大学)
机器学习(ML)方法在无线通信系统中无处不在,并且已经证明对于包括射频(RF)指纹识别、自动调制分类和认知无线电的应用是强大的。然而,ML模型的大尺寸可能使它们难以在边缘设备上实现对延迟敏感的下游任务。在无线通信系统中,亚毫秒级的ML数据处理将实现实时网络监控,以提高安全性并防止渗透。此外,可以在芯片级实现ML模型的紧凑且可集成的硬件平台将在无线通信网络中得到更广泛的应用。对于边缘的实时无线信号分类,我们提出了一种新型的紧凑型深度网络,该网络由光子硬件启发的递归神经网络模型与简化的卷积分类器相结合组成,并通过随机传输演示了其在识别RF发射器中的应用。与所提出的模型,我们实现了96.32%的分类准确率在一组30个相同的ZigBee设备时,使用的训练参数比现有的最先进的CNN分类少50倍。由于网络规模大幅缩小,我们使用小型FPGA板PYNQ-Z1演示了延迟为0.219 ms的实时RF指纹识别。
2021-06-25 cs.LG eess.SP
Wireless Powered Mobile Edge Computing: Offloading Or Local Computation?
移动边缘计算(MEC)和无线电力传输是可以帮助实现下一代无线网络的技术,下一代无线网络将部署大量计算和能量有限的设备。在这封信中,我们考虑一个点对点MEC系统,其中设备从接入点(AP)发送的信号中获取能量,为任务的卸载和/或本地计算提供动力。通过考虑能量收集的非线性,我们提供了成功计算的概率和成功计算的位的平均数的解析表达式。我们的研究结果表明,部分卸载和本地计算的混合计划并不总是有效的。具体地,卸载和/或本地计算的决定取决于系统的参数,诸如到AP的距离和需要计算的比特数。
2020-08-17 cs.IT eess.SP math.IT
Privacy Preserving Semantic Communications in Wireless Edge Networks with Vision Language Models
Rowan University(罗恩大学);University of Miami(迈阿密大学)
该研究针对无线边缘网络语义通信的隐私泄露问题,提出基于VLM的隐私保护语义通信框架,通过私有区域移除、加密收发器和语义信息瓶颈实现隐私保护,同时保证重构质量并抑制跨设备冗余。
2026-08-25 cs.CR eess.SP
Federated Learning over Wireless Networks: A Band-limited Coordinated Descent Approach
Arizona State University(亚利桑那州立大学);Harvard University(哈佛大学)
我们考虑在网络边缘进行联邦学习的多对一无线架构,其中多个边缘设备使用本地数据协作训练模型。无线连接的不可靠性质以及边缘设备处的计算资源的约束,决定了边缘设备处的本地更新应该被精心制作和压缩以匹配可用的无线通信资源,并且应该与接收器协同工作。因此,出于动机,我们提出了基于SGD的带限坐标下降算法,这样的设置。具体地,对于采用空中计算的无线边缘,接收器在每次迭代中选择边缘设备上的梯度更新的k坐标的公共子集,然后在k个子载波上同时发送,每个子载波经历时变信道条件。我们的特点的影响,通信错误和压缩,在所产生的梯度偏差和均方误差,所提出的算法的收敛性。然后,我们研究了学习驱动的通信错误最小化通过联合优化的功率分配和学习率。我们的研究结果表明,在不同的子载波的最佳功率分配应考虑到梯度值和信道条件,从而推广广泛使用的注水政策。我们还开发了次优分布式解决方案服从实施。
2021-02-16 cs.LG cs.NI eess.SP
Spatio-Temporal Federated Learning for Massive Wireless Edge Networks
Mississippi State University(密西西比州立大学);National Yang Ming Chiao Tung University(阳明交通大学);Texas Tech University(德克萨斯理工大学)
本文提出了一种新的方法来进行高效的联邦学习(FL)在一个大规模的无线边缘网络,其中一个边缘服务器和众多的移动设备(客户端)共同学习的全球模型,而无需传输大量的数据收集的移动设备到边缘服务器。所提出的FL方法被称为时空FL(STFL),其联合利用来自不同移动设备的学习更新之间的空间和时间相关性,所述不同移动设备被安排在各种训练时期中加入STFL。STFL模型不仅代表了由于数据传输中断而导致的从边缘服务器到移动设备的实际间歇学习行为,而且还具有补偿丢失学习更新的机制,以减轻间歇学习的影响。提出了一个STFL的分析框架,并通过其收敛性能研究了STFL的学习能力。特别是,我们评估了数据传输中断,间歇性学习缓解和数据集的统计异质性对STFL收敛性能的影响。研究结果为基于STFL的无线网络的设计和分析提供了重要的见解。
2022-01-21 cs.LG cs.NI eess.SP
Task-Oriented Edge Networks: Decentralized Learning Over Wireless Fronthaul
Ulsan National Institute of Science and Technology (UNIST)(蔚山国立科学技术研究院);Pukyong National University(釜庆国立大学)
本文针对边缘物联网节点仅能获取局部观测且前传链路资源受限的问题,提出前传协同的模块化DNN架构及上下行协调协议,实现边缘-云推理规则的去中心化训练与执行。
2023-12-03 cs.IT cs.LG eess.SP
Resource Dimensioning for Single-Cell Edge Video Analytics
School of Electrical Engineering
本文研究了在延迟和准确性约束下单细胞系统中边缘视频分析的资源配置问题,通过凸优化方法分析无线和计算资源的权衡,揭示了小区大小和任务强度对资源需求的影响。
2023-05-09 eess.IV eess.SP
Data-Importance Aware Radio Resource Allocation: Wireless Communication Helps Machine Learning
丰富的移动数据和边缘计算使无线网络激发了在网络边缘部署人工智能(AI),称为\emph{edge AI},它集成了无线通信和机器学习。在通信中,数据位同样重要,而在机器学习中,有些数据位更为重要。因此,我们可以将更多的无线电资源分配给更重要的数据,而将更少的无线电资源分配给不太重要的数据,从而有效地利用有限的无线电资源。为此,如何定义数据的“重要性”是关键问题。在这篇文章中,我们提出了两个重要性标准来区分数据的重要性,基于它们对机器学习的影响,一个是集中式边缘机器学习,另一个是分布式边缘机器学习。然后,提出了相应的无线资源分配方案,以提高机器学习的性能。大量的实验进行验证所提出的数据重要性感知无线电资源分配方案的有效性。
2020-05-20 cs.IT eess.SP math.IT
Joint Model Caching and Resource Allocation in Generative AI-Enabled Wireless Edge Networks
本文研究了生成式AI赋能的无线边缘网络中的联合模型缓存与资源分配问题,采用基于DDPG的强化学习方法平衡AIGC服务质量与延迟,实现了更高的模型命中率和更低延迟。
2024-11-13 cs.NI eess.SP
Cross-Domain Continual Learning for Edge Intelligence in Wireless ISAC Networks
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);School of Cyber Science and Engineering, Xi’an Jiaotong University(西安交通大学网络空间安全学院)
针对无线ISAC网络中边缘智能跨域感知面临的域依赖性和资源限制问题,提出EdgeCL框架,通过Transformer判别器和蒸馏核心集知识保留方法,实现低内存消耗下的跨域持续学习,有效缓解灾难性遗忘。
2025-04-14 cs.LG eess.SP
Multi-task Learning Approach for Modulation and Wireless Signal Classification for 5G and Beyond: Edge Deployment via Model Compression
Marconi-Rosenblatt AI/ML Innovation Lab(马可尼-罗森布拉特人工智能/机器学习创新实验室);ANDRO Computational Solutions, LLC(ANDRO计算解决方案有限责任公司)
未来的通信网络必须解决稀缺的频谱,以适应异构无线设备的广泛增长。无线信号识别对于频谱监测、频谱管理、安全通信等变得越来越重要。因此,边缘上的全面频谱感知有可能成为新兴的超5G网络的关键推动因素。该领域的最新研究(i)仅关注单个任务-调制或信号(协议)分类-在许多情况下,这不足以使系统采取行动,(ii)考虑雷达或通信波形(均匀波形类别),以及(iii)在神经网络设计阶段不解决边缘部署。在这项工作中,我们首次在无线通信领域利用基于深度神经网络的多任务学习(MTL)框架的潜力,同时学习调制和信号分类任务,同时考虑电磁频谱中的雷达和通信波形等异构无线信号。建议MTL架构受益于这两个任务之间的相互关系,在提高分类精度以及学习效率与轻量级的神经网络模型。此外,我们还使用无线收集的样本对模型进行了实验评估,并展示了关于模型压缩的第一手见解以及用于在资源受限的边缘设备上部署的深度学习管道。我们证明了显着的计算,内存和精度的改进,所提出的模型在两个参考架构。除了为资源受限的嵌入式无线电平台建模一个轻量级的MTL模型外,我们还提供了一个全面的异构无线信号数据集供公众使用。
2022-06-18 cs.AI cs.LG eess.SP
Online Optimization of Wireless Powered Mobile-Edge Computing for Heterogeneous Industrial Internet of Things
无线电力传输(WPT)和移动边缘计算(MEC)的突飞猛进为工业物联网(IIoT)提供了一种有前途的方法,以提高制造业的质量和生产力。由于拥塞的无线信道、时间依赖的能量约束、复杂的设备异构性和禁止的信令开销,在这样的场景中的调度是具有挑战性的。在本文中,我们首先提出了一种在线算法,称为能量感知资源调度(ERS),以最大限度地提高系统的效用,包括吞吐量和公平性,同时考虑系统的可持续性和稳定性。基于李雅普诺夫优化和凸优化技术,该算法实现了异构IIoT系统的渐近最优性,而无需网络状态信息(NSI)的先验知识。随后,我们扩展ERS算法到一个更现实的情况下,NSI反馈的开销和延迟是不可忽略的。给出了该场景下的最优调度决策,分析了过时NSI下系统效用的最优性损失。仿真验证了我们的理论主张,并证明了我们提出的ERS算法的替代基准计划的收益。
2019-09-04 cs.SY eess.SP eess.SY
Data Age Aware Scheduling for Wireless Powered Mobile-Edge Computing in Industrial Internet of Things
无线供电的移动边缘计算已被设想为一种有前途的范例,以增强工业物联网中低功耗无线设备的计算能力。在这种情况下,由于随机业务到达,时间耦合的上行链路/下行链路决策和不完整的系统状态知识,一个有效的资源调度方法是至关重要的,但具有挑战性的设计。为了应对这些挑战,本文提出了一种在线优化算法,以最大限度地提高长期系统效用平衡吞吐量和公平性,受数据年龄和稳定性约束。设计了一组虚拟队列,将时间相关的数据年龄约束难以求解的调度任务转化为随机优化问题。利用李雅普诺夫和凸优化技术,该方法可以在没有任何先验统计知识的情况下实现渐近近优的在线决策,并在存在部分和过时的网络状态信息的情况下保持渐近最优性。数值仿真验证了理论分析的正确性,并证明了该方法的有效性。
2020-04-27 cs.SY eess.SP eess.SY
TinyML for On-Device and Edge Analytics in Wireless Networks: A Survey of Deployments, Opportunities, and Concept-Drift Mitigation
University of Oulu(奥卢大学);Indian Institute of Technology Indore(印多尔印度理工学院);Skoda Auto University(斯柯达汽车大学);Faculty of Informatics and Management, University of Hradec Krolove(赫拉德茨克拉洛韦大学信息与管理学院);S.G. Balekundri Institute of Technology(S.G. 巴伦德里理工学院)
综述TinyML在无线网络中的部署机会,提出基于联邦学习的模型更新方法以缓解概念漂移问题,并讨论电池和无电池设备的支持技术。
2026-07-01 cs.SY eess.SP eess.SY
Movable Antenna-Enhanced Wireless Powered Mobile Edge Computing Systems
本文提出一种可移动天线增强的无线供电移动边缘计算方案,通过联合优化时间分配、天线位置和卸载策略,并采用交替优化框架与PSO-VLS混合算法,有效提升了系统的总计算速率。
2024-04-29 cs.IT eess.SP math.IT
Energy-Efficient Edge-Facilitated Wireless Collaborative Computing using Map-Reduce
在这项工作中,共享公共接入点的一组异构无线设备协作执行一组任务。使用Map-Reduce分布式计算框架,任务在节点之间进行优化分配,目标是在满足延迟约束的同时最小化节点的总能耗。导出的最优协同计算方案既考虑了节点的计算能力,又考虑了它们的通信链路的强度。数值模拟说明了所提出的最佳协作计算方案的好处,在一个盲目的协作计算方案和非协作的情况下,无论是在节能和可实现的延迟。所提出的最佳方案还表现出允许以能量换取延迟的有趣特征,反之亦然。
2019-03-06 cs.DC cs.IT eess.SP
Asynchronous Decentralized Learning over Unreliable Wireless Networks
EURECOM(欧洲通信学院)
分散式学习使边缘用户能够通过经由设备到设备通信交换信息来协作地训练模型,然而先前的工作仅限于具有固定拓扑和可靠工作者的无线网络。在这项工作中,我们提出了一个异步分散随机梯度下降(DSGD)算法,这是强大的固有的计算和通信故障发生在无线网络边缘。我们从理论上分析了它的性能,并建立了一个非渐近收敛保证。实验结果证实了我们的分析,证明了异步性和过时梯度信息重用在不可靠无线网络上的分散学习中的好处。
2022-02-02 cs.IT cs.LG eess.SP
Computation Rate Maximization in UAV-Enabled Wireless Powered Mobile-Edge Computing Systems
移动边缘计算(MEC)和无线功率传输(WPT)是两种很有前途的技术,可以增强物联网中无处不在的低功率无线设备的计算能力并延长其操作时间。然而,计算性能和收获的能量显着影响严重的传播损耗。为了解决这一问题,本文研究了一种基于无人机的MEC无线供电系统。研究了在部分计算卸载和二进制计算卸载两种模式下,基于能量收集因果约束和无人机速度约束的无人机MEC无线供电系统的计算速率最大化问题.这些问题是非凸的,解决起来很有挑战性。分别提出了两阶段算法和三阶段交替算法求解公式化问题。导出了最佳中央处理器频率、用户卸载时间和用户发射功率的封闭形式表达式。针对二进制计算卸载模式,提出了用户选择本地计算还是卸载计算任务的最优选择方案。仿真结果表明,我们提出的资源分配方案优于其他基准计划。结果还表明,所提出的方案收敛速度快,具有较低的计算复杂度。
2018-07-17 cs.CE cs.IT cs.NI
Physical Layer Security for NOMA-Enabled Multi-Access Edge Computing Wireless Networks
多址边缘计算(MEC)被认为是一种很有前途的增强无线网络计算能力的技术。在本文中,我们研究了MEC系统中的物理层安全性,在该系统中,多个用户基于非正交多址接入(NOMA)同时将部分计算任务卸载到基站,存在恶意窃听者。采用秘密中断概率来衡量计算卸载对窃听攻击的安全性能。我们的目标是最小化所有用户的总能耗,受保密卸载率,保密中断概率,NOMA的解码顺序方面的约束。虽然原优化问题是非凸的,具有挑战性的解决,我们提出了一个有效的算法,基于序贯凸逼近和惩罚对偶分解。数值结果验证了该算法的收敛性及其优越的能量效率与保密性要求。
2021-07-03 cs.IT eess.SP math.IT
Analysis and Optimization of the Latency Budget in Wireless Systems with Mobile Edge Computing
我们提出了一个框架来分析移动边缘计算(MEC)无线系统中的延迟预算。我们的重点是远程操作和远程机器人,作为代表任务关键型上行链路密集型物联网系统的用例,要求低延迟和高可靠性。这项研究的动机是一个一般性的问题:什么是最佳的压缩策略,在可靠性和延迟约束的系统?我们通过研究从多传感器物联网设备到基站的上行链路连接的延迟来解决这个问题。这是一个关键环节,负责及时可靠地传输来自众多传感器的潜在大量数据。我们引入了一个综合模型的延迟预算,将数据压缩和数据传输。上行链路延迟是随机变量,其分布取决于设备的计算能力和无线链路的属性。我们制定了两个优化问题,对应于两种传输策略:(1)中断约束,(2)延迟约束。在可靠性准则下,我们得到了最优的系统参数。我们表明,所获得的结果是优于那些基于预期的延迟优化。
2022-01-27 cs.SY eess.SP eess.SY
D2D-Enabled Data Sharing for Distributed Machine Learning at Wireless Network Edge
School of Information Engineering, Guangdong University of Technology(广东工业大学信息工程学院);Future Network of Intelligence Institute (FNii) and the School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)未来智能网络研究院及理工学院);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
移动边缘学习是一种新兴技术,它使分布式边缘设备能够通过利用其本地数据样本以及通信和计算资源来协作训练共享机器学习模型。为了解决该技术面临的落伍者困境问题,本文提出了一种新的设备到设备的数据共享方法,在该方法中,不同的边缘设备通过通信链路相互共享数据样本,以适当地调整它们的计算负载,从而提高训练速度。在这种设置下,我们优化无线电资源分配的数据共享和分布式训练,与固定数量的本地和全局迭代下的总训练延迟最小化的目标。数值结果表明,当数据样本在边缘设备间非独立同分布时,该数据共享设计显著降低了训练延迟,提高了训练精度.
2020-01-28 cs.LG eess.SP stat.ML
Collaborative Edge Inference via Semantic Grouping under Wireless Channel Constraints
CEA-Leti(法国电子与信息技术 LETI 实验室)
该研究针对边缘协同推理的通信效率问题,基于键-查询机制拓展了信道噪声、协作点选择等研究,通过通信剪枝实现资源最小化下的准确率优化,验证了中间协作的信道鲁棒性及查询传输的更高可靠性要求。
2025-10-02 cs.IT eess.SP math.IT
Computation Efficiency Maximization in Wireless-Powered Mobile Edge Computing Networks
节能计算是移动边缘计算(MEC)网络的必然趋势。最大化计算效率的资源分配策略是至关重要的。在本文中,计算效率最大化问题制定在无线供电的MEC网络下的部分和二进制计算卸载模式。考虑了一个实用的非线性能量收集模型。时分多址接入(TDMA)和非正交多址接入(NOMA)都被考虑和评估用于卸载。在最大-最小公平准则下,对能量收集时间、局部计算频率、卸载时间和功率进行联合优化,以最大化计算效率.分别提出了两种迭代算法和两种替代优化算法来解决本文所述的非凸问题。仿真结果表明,所提出的资源分配方案优于基准方案的用户公平性。此外,阐明了可实现的计算效率和计算位的总数之间的折衷。仿真结果表明,部分计算卸载模式优于二进制计算卸载模式,NOMA优于TDMA的计算效率。
2020-02-11 cs.IT eess.SP math.IT
Energy-efficient Wireless Charging and Computation Offloading In MEC Systems
边缘网络中的无线充电与计算卸载相结合,为在用户设备上实现耗电和计算密集型应用提供了一种有前途的解决方案。我们考虑了一个多接入边缘计算(MEC)系统,该系统具有并置的MEC服务器和基站/接入点(BS/AP),支持多个用户请求数据计算和无线充电。我们提出了一个集成的解决方案,计算卸载,以满足最大比例的请求无线充电,同时保持在最低限度的能源消耗受到MEC-AP发射功率和延迟的限制。我们提出了一种新的算法来执行数据划分,时间分配,发射功率控制和设计最佳的能量波束成形的无线充电。与其他方案相比,我们的资源分配方案提供了一种能量最小化的解决方案,同时还向用户提供了更高的转移费用。
2020-08-31 cs.SY eess.SP eess.SY
GQ-FSL: Green Quantized Federated Split Learning Framework for Wireless Edge Networks
针对无线边缘部署DNN的能量瓶颈,提出GQ-FSL框架,通过非对称精度的随机量化优化,实现资源受限设备上DNN的高效部署,能量效率优于量化联邦学习及全精度FSL。
2026-08-20 cs.DC cs.LG eess.SP
Energy-Efficient Processing and Robust Wireless Cooperative Transmission for Edge Inference
ShanghaiTech University(上海科技大学);Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences(中国科学院上海微系统与信息技术研究所);University of Chinese Academy of Sciences(中国科学院大学);University of Toronto(多伦多大学);University of California at Davis(加州大学戴维斯分校)
边缘机器学习可以通过利用网络边缘的计算和存储资源,为移动设备提供低延迟和私有的人工智能(AI)服务。本文提出了一种节能的边缘处理框架,用于在边缘计算节点上执行深度学习推理任务,这些边缘计算节点与移动设备的无线连接容易受到信道不确定性的影响。针对概率服务质量(QoS)约束下计算和传输功耗之和最小化的问题,提出了一种联合推理任务和下行波束赋形问题,其特征在于该问题的目标函数为一组稀疏目标函数。我们提供了一个基于统计学习的鲁棒优化方法来近似高度棘手的概率QoS约束的非凸二次约束,这是进一步重新表示为矩阵不等式与秩一约束通过矩阵提升。我们设计了一个重新加权的功率最小化方法,通过迭代重新加权$\ell_1$最小化与差分凸函数(DC)正则化和更新的权重,其中重新加权的方法是采用增强组稀疏性,而DC正则化是为了诱导秩1的解决方案。数值结果表明,所提出的方法优于其他国家的最先进的方法。
2020-03-02 cs.IT cs.LG eess.SP
End-to-End Learning of Neuromorphic Wireless Systems for Low-Power Edge Artificial Intelligence
本文介绍了一种新型的“全尖峰”低功耗远程无线推理解决方案,该解决方案基于神经形态感知,脉冲无线电(IR)和脉冲神经网络(SNN)。在所提出的系统中,事件驱动的神经形态传感器产生由SNN编码的异步时间编码数据流,其输出尖峰信号通过IR进行脉冲调制并通过一般频率选择性信道传输;而接收器的输入通过接收到的信号的硬检测获得并馈送到SNN进行分类。我们引入了一个端到端的训练过程,将编码器,信道和解码器的级联视为一个基于概率SNN的自动编码器,实现联合信源-信道编码(JSCC)。所提出的系统,称为NeuroJSCC,相比传统的基于同步帧和未编码的传输的延迟和准确性。实验证实,所提出的端到端神经形态边缘架构提供了一个有前途的框架,高效和低延迟的遥感,通信和推理。
2020-09-03 cs.IT cs.LG cs.NE
On the Statistical Relation of Ultra-Reliable Wireless and Location Estimation
本文研究超可靠通信中位置估计不确定性与链路可靠性的统计关系,定义ε-中断相干半径,提出多种速率选择方案,证明考虑定位误差对保障可靠性与吞吐量至关重要。
2023-08-28 cs.IT eess.SP math.IT
Task-Oriented Integrated Sensing, Computation and Communication for Wireless Edge AI
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学);Shenzhen Research Institute of Big Data(深圳大数据研究院);University of Glasgow(格拉斯哥大学);The University of Hong Kong(香港大学);Shenzhen University(深圳大学)
针对现有边缘AI设计中感知、计算与通信分离导致的开销与浪费问题,本文概述了一体化感知计算通信(ISCC)的技术原理,通过两个用例验证面向任务的ISCC的优势,并指出相关实际挑战。
2023-06-11 cs.IT cs.LG eess.SP
Distributed Intelligence in Wireless Networks
由于数十亿连接的无线设备以及它们在网络边缘产生的通常数不胜数的数据所引起的相当大的时间延迟、高功耗、安全和隐私问题,基于云的解决方案变得低效。边缘计算和人工智能(AI)技术的混合可以最佳地将资源丰富的计算服务器转移到更靠近网络边缘的地方,这为高级AI应用提供了支持(例如,视频/音频监控和个人推荐系统),通过在需要时在数据生成时对计算进行智能决策,以及分布式机器学习(ML),其有可能避免大数据集的传输和可能存在于基于云的集中式学习中的隐私妥协。因此,人工智能被设想在未来的通信和网络系统中变得原生和无处不在。在本文中,我们全面概述了在原生人工智能无线网络的保护伞下无线网络中分布式智能的最新进展,重点关注原生人工智能无线网络的基本概念,支持人工智能的边缘计算,异构网络的分布式学习架构的设计,支持分布式学习的通信高效技术,以及人工智能支持的端到端通信。我们强调了混合分布式学习架构的优势相比,最先进的分布式学习技术。我们总结了现有的研究成果在无线网络中的分布式智能的挑战,并确定潜在的未来机会。
2022-08-01 cs.NI cs.SY eess.SP
Blind Federated Edge Learning
Princeton University(普林斯顿大学);Bilkent University(比尔肯特大学);Imperial College London(伦敦帝国理工学院)
我们研究了联合边缘学习(FEEL),其中每个无线边缘设备都有自己的数据集,在充当参数服务器(PS)的无线接入点的帮助下协作学习全局模型。在每次迭代时,无线设备使用它们的本地数据和从PS接收的最近全局模型来执行本地更新,并且通过无线衰落多址信道(MAC)将它们的本地更新发送到PS。PS然后根据通过无线MAC接收的信号更新全局模型,并与设备共享它。出于无线MAC的添加剂的性质,我们提出了一个模拟的“在空中”的聚合方案,其中的设备在一个未编码的方式发送其本地更新。与最近关于空中边缘学习的文献不同,这里我们假设设备没有信道状态信息(CSI),而PS具有不完美的CSI。相反,PS配备多个天线以减轻由于缺乏完美CSI而加剧的信道的破坏性影响。我们设计了一个接收波束形成方案在PS,并表明,它可以补偿缺乏完美的CSI时,PS有足够数量的天线。我们还推导出所提出的算法的收敛速度,突出了缺乏完美的CSI的影响,以及PS天线的数量。实验结果和收敛性分析都说明了所提出的算法的性能改善与PS天线的数量,其中无线衰落MAC变得确定性,尽管缺乏完美的CSI时,PS具有足够大的天线数量。
2020-10-19 cs.IT cs.LG eess.SP
Wirelessly Powered Federated Edge Learning: Optimal Tradeoffs Between Convergence and Power Transfer
The University of Hong Kong(香港大学)
联邦边缘学习(FEEL)是一种广泛采用的框架,用于在边缘设备上分布式训练人工智能(AI)模型,以利用其数据,同时保护其数据隐私。在能量受限的设备上执行耗电的学习任务是FEEL实施面临的一个关键挑战。为了应对这一挑战,我们提出了使用无线功率传输(WPT)为设备供电的解决方案。为了获得部署所得到的无线供电FEEL(WP-FEEL)系统的指导方针,这项工作的目的是在两种情况下导出模型收敛和电源设置之间的权衡:1)如果部署了功率信标(专用充电站),则功率信标(专用充电站)的传输功率和密度,或者2)服务器(接入点)的传输功率。所提出的分析框架的发展涉及分布式随机梯度估计的WPT设置的准确性,在通信和WPT链路的随机性,和设备的计算能力。此外,设备处的本地计算(即,最小批量大小和处理器时钟频率)被优化以有效地使用所收集的能量用于梯度估计。由此产生的学习WPT的权衡揭示了简单的缩放定律的模型收敛速率相对于传输的能量以及设备的计算能量效率。结果提供了有用的指导WPT供应提供一个学习性能的评价。它们被使用真实数据集的实验结果所证实。
2021-02-24 cs.IT cs.LG cs.NI
Wireless Edge Content Broadcast via Integrated Terrestrial and Non-terrestrial Networks
本文提出利用非地面网络(NTN)优化无线边缘内容放置,基于流行度和传输适宜性动态选择内容,并考虑LEO卫星轨道运动,显著提升放置速度并优于地面网络方案。
2024-11-05 cs.IT cs.NI cs.SY