Interference Management in NOMA-based Fog-Radio Access Networks via Joint Scheduling and Power Adaptation
非正交多址接入（NOMA）和雾无线接入网络（FRAN）是5G及以后系统中有希望的候选者。这项工作探讨了在FRAN架构中采用NOMA的好处，限制容量前传。提出了一种基于NOMA的多资源块FRAN下行链路联合调度和功率自适应优化方法。我们考虑一个混合整数优化问题，最大化网络范围内的基于速率的效用函数的前传容量约束，以确定i）用户到RB的分配，ii）分配给每个RB的功率，和iii）在每个RB的NOMA用户的功率分裂水平。本文提出了一个可行的解耦解决方案，这样的非凸优化问题，使用三步混合集中/分布式方法。所提出的解决方案符合FRAN操作，其目的是将网络控制部分地转移到FAP，以便克服由于前传速率约束而导致的延迟。本文提出并比较了两种不同的方法来解决分配问题，即匈牙利方法，和多选择背包方法。另一方面，功率分配和NOMA功率分配优化，使用交替方向乘法器（ADMM）解决。仿真结果表明，所提出的方法相比，不同的基线方案，包括传统的正交多址接入（OMA），不同的效用函数和不同的网络环境的优势。
2019-02-27 cs.NI
Resource Management in Edge and Fog Computing using FogBus2 Framework
边缘/雾计算是一种新型计算范式，为资源有限的物联网（IoT）设备提供可扩展的计算和存储资源。与云计算相比，边缘/雾服务器的资源更少，但可以以更高的带宽和更少的通信延迟访问。因此，集成边缘/雾和云基础设施可以支持执行各种延迟敏感和计算密集型物联网应用。尽管一些框架试图提供这种集成，但仍然存在一些挑战需要解决，例如不同物联网应用的动态调度，可扩展性机制，多平台支持以及支持不同的交互模型。FogBus 2作为一个新的基于Python的框架，提供了一个轻量级的、分布式的、基于容器的框架来克服这些挑战。在本章中，我们将重点介绍FogBus 2框架的关键特性，并描述其主要组件。此外，我们提供了一个分步指南，以建立一个集成的计算环境，包含多个云服务提供商（混合云）和边缘设备，这是任何物联网应用场景的先决条件。为了实现这一点，所有计算资源之间的低开销通信网络由所提供的脚本和配置文件启动。接下来，我们提供安装和运行主框架及其集成应用程序的说明和相应的代码片段。最后，我们将演示如何使用FogBus 2框架实现和集成几个新的物联网应用程序以及自定义调度和可扩展性策略。
2021-08-02 cs.DC cs.NI cs.PF
Implementing an Edge-Fog-Cloud architecture for stream data management
移动物联网（IoMT）需要支持数据生存周期过程，从排序、清理和监控数据流到查询、聚合和分析等更复杂的任务。当前用于IoMT中的流数据管理的解决方案集中在数据生存周期过程的部分方面，特别强调传感器网络。本文旨在通过开发流数据生存周期流程来解决这个问题，该流程包含处理异构、流和地理位置分散的IoMT设备所需的边缘/雾/云架构。我们提出了一个3层架构，以支持即时层内通信，建立一个流数据流实时响应系统中的即时数据生存周期任务。因此，通信和流程是我们为IoMT设计流数据管理解决方案的决定性因素。我们描述和评估我们的原型实现使用实时交通数据源。初步结果显示了运行数据生存周期任务的优势，这些任务可以减少冗余的数据流，并且不应该传输到云。
2017-09-27 cs.CY cs.DC cs.NI
Joint Failure Recovery, Fault Prevention, and Energy-efficient Resource Management for Real-time SFC in Fog-supported SDN
在本文中，我们专注于流量工程，故障恢复，故障预防和服务功能链（SFC）的可靠性和能耗的限制，在软件定义网络（SDN）的问题。这些类型的部署使用雾计算作为新兴范例来管理通过启用SDN的交换机（可能是雾节点）的分布式小型流量。这种集成的主要目的是支持SFC上下文中的实时的【形】服务交付、故障恢复和故障感知。首先，我们提出了一种称为FRFP的故障恢复和故障预防架构;这是一种多层结构，其中实时的【形】业务流通过支持SDN的交换机，以共同降低流量重路由和雾节点能耗的网络副作用。然后，我们在数学上制定了一个优化问题，称为最优雾支持的能量感知SFC重路由算法（OFES），并提出了一个接近最优的启发式称为启发式OFES（HFES），以解决相应的问题在多项式时间。以这种方式，所选路径的能量消耗和可靠性被优化，同时满足服务质量约束并且网络拥塞被最小化。在可靠性方面，这项工作的重点是故障预防，但是，由于我们使用的重新分配技术，所提出的方案可以用作故障恢复方案。我们比较了HFES和OFES在功耗，平均路径长度，故障概率，网络副作用，链路利用率和雾节点利用率方面的性能。此外，我们分析了HFES的计算复杂性。我们使用一个真实的网络拓扑来评估我们的算法。仿真结果表明，该启发式算法适用于大规模网络。
2018-07-01 cs.DC cs.NI
Improving VANET's Performance by Incorporated Fog-Cloud Layer (FCL)
由于其在包括安全应用、交通控制应用和娱乐应用的各种领域中的有用性，VANET是现在正在被深入研究的重要主题。VANET在反应时间、存储容量和可靠性方面面临着许多挑战，特别是在实时应用中。因此，最近研究了合并云计算和云计算。本研究的目标是开发一个系统，合并成一个单一的层称为包括雾云层的雾和云层。降低VANELEC上的实时应用程序响应所需的时间，同时改善互联网上的数据流管理，实现高效的感知服务，同时避免云连接的高成本。
2022-03-30 cs.NI
FOCAN: A Fog-supported Smart City Network Architecture for Management of Applications in the Internet of Everything Environments
智慧城市愿景将雾计算（FC）等新兴异构通信技术结合在一起，大幅降低运行各种应用的万物互联（IoE）设备的延迟和能耗。区分智能城市的FC范例的关键特征是，它通过有线/无线接入网络（例如，邻近接入点和基站）以提供资源增强（例如，网络搜寻）用于资源和能量有限的有线/无线（可能是移动的）事物。此外，开发智慧城市应用的目标是改善城市流量的管理，并允许对用户交易关系中可能出现的挑战做出实时响应。本文提出了一种支持雾的智能城市网络架构，称为雾计算架构网络（FOCAN），这是一种多层结构，其中运行在事物上的应用程序通过智能城市环境联合计算，路由和相互通信，以减少延迟，提高能源供应和具有不同功能的事物之间的服务效率。引入FOCAN后出现的一个重要问题是需要避免将数据传输到/从远处传输，而是覆盖物联网应用的最近区域。我们定义了FOCAN设备之间的三种类型的通信（例如，主间通信、主通信和辅助通信）来以满足IoE的服务质量标准的方式管理应用。FOCAN的主要优点之一是设备可以以低能耗和高效的方式提供服务。选定案例研究的仿真结果证明了FOCAN节能解决方案对智慧城市中各种类型事物的通信性能的巨大影响。
2017-10-04 cs.DC cs.NI
Power and Performance Efficient SDN-Enabled Fog Architecture
软件定义网络（SDN）大大简化了网络管理。然而，使纯SDN能够在处理大量数据的同时实时响应仍然是一项具有挑战性的任务。相比之下，雾计算具有强大的潜力，可以实时处理大量激增的数据。SDN控制平面支持创新，并大大简化了网络运营和管理，从而为实现能源和性能感知的SDN雾计算提供了一个有前途的解决方案。此外，支持SDN的雾计算中的功耗效率和性能评估是研究界尚未充分探索的领域。我们提出了一种新的SDN启用雾架构，以提高电源效率和性能，利用合作和非合作的基于策略的计算。来自广泛模拟的初步结果证明了功率利用率以及整体性能（即，处理时间、响应时间）。最后，我们讨论了几个开放的研究问题，需要在未来进一步调查。
2021-05-30 cs.AI cs.DC cs.NI
Enhanced Traffic Congestion Management with Fog Computing: A Simulation-based Investigation using iFog-Simulator
针对智慧城市交通拥堵，提出基于雾计算的ITCMS，并通过iFog-Simulator仿真验证其在延迟、吞吐量和交通效率上优于IOV与STL。
2023-11-02 cs.NI eess.SP
Fog Computing: Focusing on Mobile Users at the Edge
随着智能设备，特别是智能手机，成为我们的日常伴侣，无处不在的移动互联网和计算应用渗透到人们的日常生活。随着人们对随时随地提供高质量移动服务需求的不断增长，如何满足无处不在的用户需求，适应移动业务的爆炸式增长，是下一代移动网络的关键问题。雾计算是实现这一目标的一个有前途的解决方案。雾计算是对云计算的一种扩展，它通过向移动网络边缘提供虚拟化资源和基于位置的服务，从而更好地服务于移动业务。因此，雾计算是云计算与移动应用结合的润滑剂。在本文中，我们概述了雾计算的主要功能，并描述了其概念，架构和设计目标。最后，我们从网络的角度讨论了一些未来的研究问题。
2016-03-30 cs.NI
Fog Computing for Detecting Vehicular Congestion, An Internet of Vehicles based Approach: A review
交通拥堵直接影响交通部门的效率。用于车辆客户端的无线传感器网络用于交通管理应用的基于车辆互联网的解决方案中。研究发现，使用基于车联网的联网车辆技术进行车辆拥堵检测对于拥堵处理实际上是可行的。结果发现，通过在车载无线传感器网络中使用基于雾计算的原理，可以改善系统中的通信，以支持更大数量的节点而不影响性能。本文研究了基于互联车辆技术的车辆拥堵识别技术。研究了可用于车辆网络的计算范例，以开发实际可行的车辆拥塞检测系统，该系统可以准确地执行大覆盖区域和多种场景。所设计的系统预计将检测拥堵，以满足交通管理目标，是智能交通系统中的首要任务。
2019-10-31 cs.NI eess.SP
Security for Cyber-Physical Systems: Leveraging Cellular Networks and Fog Computing
网络物理系统（CPS）的范围和规模正在扩展到我们日常生活的许多方面。健康、安全、交通和教育是CPS越来越普遍的几个领域。无论是在边缘还是在网络核心，都迫切需要保护CPS。我们提出了一种用于保护CPS的混合框架，该框架利用雾网络的计算资源和协调，并建立在低功耗和资源受限的CPS设备的蜂窝连接的基础上。通过添加蜂窝云控制器来接管专用于CPS设备的无线电和核心安全上下文的管理，增强了对蜂窝身份验证、加密和完整性保护的常规支持。专门的蜂窝云与核心网络组件联系，以实施针对拒绝或服务、智能干扰或未经授权的CPS跟踪攻击的本地化和网络范围的防御。我们的框架和最近的蜂窝/雾解决方案之间的比较，连同操作框架部署的可行性分析。我们认为未来的研究方向是安全和可扩展的CPS扩散的关键。
2018-06-28 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
S-HIDRA: A blockchain and SDN domain-based architecture to orchestrate fog computing environments
针对雾计算环境节点地理分布广、工作负载动态性强带来的编排及网络连接难题，提出集成SDN与区块链的域架构S-HIDRA，实现低延迟高可用的容器服务编排，概念验证验证了其功能可行性。
2024-01-29 cs.NI
Trends, Opportunities, and Challenges in Using Restricted Device Authentication in Fog Computing
在物联网中受限的设备上可用的资源很少，这是我们考虑安全性时的一个重要问题。从这个角度来看，我们的工作提出了一个敏捷的系统审查文献涉及物联网，身份验证和雾计算的作品。因此，在这些领域的交叉点发现的相关工作，机会和挑战被带来，支持在这些领域工作的其他研究人员和开发人员。
2022-09-30 cs.CR cs.NI
Energy Efficient Resource Allocation Optimization in Fog Radio Access Networks with Outdated Channel Knowledge
雾无线电接入网络（F-RAN）正在全球范围内获得关注，以实现超越5G的移动边缘计算。然而，为了实现未来的实时和延迟敏感的应用，F-RAN定制的无线电资源分配和干扰管理变得必要。这项工作研究用户关联和波束成形问题，提供能源效率的F-RAN。我们制定的能源效率最大化的问题，其中F-RAN的具体约束，以保证本地边缘处理明确考虑。为了解决这个复杂的问题，我们设计了一个算法的基础上增广拉格朗日（AL）方法。然后，为了减轻计算复杂性，开发了启发式低复杂性策略，其中任务被分成两部分：一种是基于全局但过时的用户信道状态信息（CSI）来解决在云端以集中方式激活用户关联和雾接入点（F-AP）以解决前传延迟，以及第二种基于完美但局部的CSI在每个活动F-AP处以分布式方式求解波束成形。仿真结果表明，所提出的探试法实现了一个可观的性能水平相比，基于AL的方法，同时大大优于基线F-RAN方案的能量效率和限制的和速率最大化算法相比，和速率退化。
2020-09-25 cs.NI
Blockchain and Fog Computing for Cyberphysical Systems: The Case of Smart Industry
区块链通过确保安全和可审计的点对点协调，彻底改变了交易的进行方式。这是由于权力下放的发展和促进同行之间的信任。区块链和雾计算目前正在被评估为软件和广泛应用的潜在支持，从银行业务和数字交易到网络物理系统。这些系统被设计用于在高度复杂的环境中工作，有时甚至是对抗性的环境，并在网络计算空间中同步异构机器和制造设施，并解决诸如计算复杂性、安全性、信任和数据管理等关键挑战。将区块链与雾计算技术相结合有可能识别和克服这些问题。因此，本文介绍了在服务质量、数据存储、计算和安全性方面改善网络物理系统所需的区块链和雾计算知识。
2020-09-12 cs.CR cs.NI
Minimising Delay and Energy in Online Dynamic Fog Systems
物联网（IoT）设备的使用越来越多，对数据传输产生了更大的需求，并给网络带来了更大的压力。此外，与云服务的连接可能成本高昂且效率低下。雾计算在用户设备附近提供资源以克服这些缺点。然而，物联网应用中的服务质量（QoS）优化和雾资源管理正成为具有挑战性的问题。本文介绍了一种动态在线卸载计划在车辆交通应用程序，需要执行延迟敏感的任务。本文提出了两种算法的组合：动态任务调度（DynamicTaskScheduling，简称TQM）和动态能量控制（DynamicEnergyControl，简称DEC），旨在最大限度地减少总体延迟，提高用户任务的吞吐量，最大限度地减少雾层的能耗，同时最大限度地利用资源受限的雾节点。实验结果表明，与其他方案相比，这些算法可以减少高达80.79%的延迟，并减少高达66.39%的能量消耗在雾节点。此外，这种方法将任务执行吞吐量提高了40.88%。
2020-12-23 cs.DC cs.NI
Fog Intelligence for Network Anomaly Detection
Department of Computer Science, Tongji University（同济大学计算机科学系）
本文提出了一种名为雾智能的分布式机器学习架构，通过结合边缘处理与集中式云计算的优势，解决了大规模移动网络中异常检测的难题，实现了可扩展且保护隐私的智能无线网络管理。
2025-05-27 cs.AI cs.NI
A Cooperative Content Dissemination Framework for Fog-Based Internet of Vehicles
基于雾的车联网（IoV）具有丰富的感知、计算、通信和存储资源，为海量数据处理提供了新的解决方案。然而，车辆的移动性带来的冲击给内容分发服务的内容调度和资源分配带来了挑战。在本文中，我们提出了一个随时间变化的资源关系图模型的感知，计算，通信和存储资源在多个快照上的内容传播过程的车联网的相互交织的影响。基于该图模型，将内容分发过程建模为一个数学优化问题，同时考虑了延迟容忍服务和延迟敏感服务的服务质量。由于其NP完全性，优化问题被分解为一个联合链路和子信道调度子问题，以及一个联合功率和流量控制子问题。针对链路和子信道联合调度子问题，提出了一种级联的低复杂度调度算法。此外，针对功率和流量控制子问题开发了一种鲁棒的资源管理算法，该算法充分考虑了未来快照中的信道不确定性。最后，我们进行模拟，以表明所提出的方法的有效性优于其他国家的最先进的方法。
2023-02-20 cs.NI
Using Machine Learning for Handover Optimization in Vehicular Fog Computing
McGill University（麦吉尔大学）
智能移动管理将是未来雾计算系统的重要先决条件。在这项研究中，我们提出了一种基于学习的车联网切换优化，这将有助于设备连接的平滑过渡和雾节点之间的卸载任务。为了实现这一点，我们利用机器学习算法来学习车辆与雾节点的交互。我们的方法使用三层前馈神经网络来预测在给定位置和时间的正确雾节点，在测试集上的准确率为99.2%。我们还实现了一个双栈递归神经网络（RNN），它具有长短期记忆（LSTM）单元，能够学习与这些服务请求相关的延迟或成本。我们使用真实世界车辆运动的数据集在JAMScript中创建模拟，以创建数据集来训练这些网络。我们进一步提出了使用这种预测系统在一个更聪明的请求路由机制，以尽量减少服务中断期间雾节点之间的切换，并通过一系列的实验和测试模型的性能测试低覆盖率的地区。
2018-12-18 cs.LG cs.NI stat.ML
SDFog: A Software Defined Computing Architecture for QoS Aware Service Orchestration over Edge Devices
本文提出SDFog面向服务中间件，融合云、雾、SDN与NFV，将边缘实体抽象为服务，以支持端到端QoS感知的服务编排和软件定义雾基础设施控制。
2016-09-05 cs.NI
Fog Computing based Radio Access Networks: Issues and Challenges
本文提出了一种基于雾计算的无线电接入网络（F-RAN），作为第五代（5G）无线通信系统的有前途的范例，以提供高频谱和能量效率。其核心思想是充分利用边缘设备的本地无线信号处理、协作无线资源管理和分布式存储能力，减轻前传的沉重负担，避免集中式基带单元池的大规模无线信号处理。本文全面介绍了F-RAN的系统结构和关键技术。重点讨论了传输模式选择和干扰抑制等关键技术及其解决方案。边缘缓存，软件定义网络，和网络功能虚拟化方面的开放问题，也被确定。
2015-06-13 cs.IT cs.NI math.IT
Fog Computing Architectures: a Reference for Practitioners
在意识到云计算确实可以帮助几个行业克服以产品为中心的传统方法，转而支持更经济实惠的面向服务的商业模式后不久，我们就见证了一种新的颠覆性计算模式的兴起，即雾计算。从本质上讲，雾计算可以被认为是云计算的演变，从某种意义上说，前者将后者扩展到网络的边缘（即连接的设备-事物-所在的地方），而没有中断，实现了所谓的“云到物的连续体”。自其诞生之初，雾计算就被认为是多个物联网（IoT）领域（一个为所有：工业物联网）的必要条件，更一般地说，无论在哪里，嵌入式人工智能和/或更先进的分布式功能是必需的。雾计算不能被认为只是一个花哨的流行语：根据独立的权威分析，到2022年，其全球市场将达到180亿美元，而到2025年，全球近45%的数据将被转移到网络边缘。在本文中，我们将从标准化、商业化和开源社区的角度来总结最现代、最成熟的雾计算计划。
2019-09-03 cs.CY cs.NI
Fog Computing Systems: State of the Art, Research Issues and Future Trends, with a Focus on Resilience
未来的许多创新计算服务将使用与物联网（IoT）资源集成的雾计算系统（FCS）。这些新服务建立在多种不同技术的融合之上，需要实现时间敏感的功能，提供与其环境的不同程度的集成，并整合数据存储、计算、通信、传感和控制。然而，在这种系统被认为适合于目的之前，还有一些重要的问题需要解决。这些资源受限系统的高度异质性、复杂性和动态性给其稳健可靠的运行带来了新的挑战，这意味着需要采取综合的弹性管理策略。本文综述了相关领域的研究现状，并讨论了正在出现的研究问题和未来趋势。我们设想未来的应用程序具有非常严格的要求，特别是高精度的延迟和大量流之间的同步，其中FCS是支持它们的关键。因此，我们希望为物联网设备、边缘计算机服务器和无线传感器网络形成的弹性FCS的设计和管理提供新的见解;这些系统可以使用博弈论建模，并使用最新的软件和虚拟化平台灵活编程。
2020-07-17 cs.CR cs.NI cs.SY
Improving Remote Patient Monitoring Systems Using a Fog-based IoT Platform with Speech Recognition
本文提出基于雾计算的物联网平台，通过资源分配缓解服务器过载，并结合语音识别增强远程患者监测系统的交互性，实验验证其在准确率、延迟和吞吐量方面的可行性。
2025-11-10 cs.MM cs.NI
Opportunistic Edge Computing: Concepts, Opportunities and Research Challenges
对计算资源的低延迟访问的日益增长的需求推动了边缘计算的引入，其中资源被战略性地放置在接入网络处。不幸的是，Fogs和Cloudlets等边缘计算基础设施的可扩展性有限，并且考虑到互联网的巨大边缘，安装成本可能高得令人望而却步。在本文中，我们提出了并行边缘计算（OEC），这是一种新的计算范式，它提供了一个框架，可以使用最终用户贡献的资源在边缘创建可扩展的基础设施。OEC的目标之一是通过激励人们分享资源，将资源放在需求量大的地方。本文定义了OEC范式和涉及的利益相关者，并提出了一个管理框架来构建，管理和监控可扩展的边缘基础设施。它还强调了OEC计算模型和现有计算模型之间的主要区别，并揭示了该主题的早期工作。本文还介绍了初步的实验结果，突出的优势和OEC相比，常规的云计算部署和雾部署的局限性。最后总结了OEC环境下资源管理的主要研究方向。
2018-07-24 cs.NI
A Scalable IoT-Fog Framework for Urban Sound Sensing
物联网（IoT）是一个相互关联的设备系统，可用于大规模收集和分析数据。然而，随着它的发展，物联网网络无法管理来自这些服务的数据。因此，引入了云计算来解决物联网网络对中间件的需求。随着技术的发展，对支持和管理人群感知和实时数据的适当方法的需求增加，云服务器再也无法跟上大量传入数据的速度。这种需求导致了雾计算的兴起。它成为云的扩展，并允许在网络上有效地分配资源。它与物联网的集成减少了对云服务器的压力。然而，终端设备的高功耗和数据管理约束的问题浮出水面。本文提出了两种方法来缓解这些问题，以保持雾计算仍然是物联网相关应用的可靠选择。我们创建了一个基于物联网的感知框架，该框架使用了城市声音分类模型。通过活动的低功率和高功率状态以及资源重新分配，我们创建了网络配置。我们针对使用默认雾和云设置的物联网框架测试了此配置。结果改善了框架的终端设备功耗和服务器延迟。总的来说，通过所提出的框架，雾计算被证明能够支持用于城市声音感知的可扩展物联网框架。
2020-02-04 cs.NI cs.SY eess.SY
Cost Efficiency for Economical Mobile Data Traffic Management from Users' Perspective
由于无线网络容量有限，对无线互联网服务的爆炸性需求对无线网络提出了严峻的挑战。为了解决这个问题，无线互联网服务提供商（WISP）采取智能数据定价来管理数据流量负载。同时，从用户的角度来看，在WISP的定价策略下采用移动数据流量管理，以提高数据消费的经济效率，也是合理的和期望的。本文引入了用户移动数据管理的成本效率概念，定义为用户移动数据消费收益与其费用的比值。提出了一种基于成本效益的数据流量管理方案，包括长期数据需求规划、短期数据流量预调度和实时数据流量管理。提出了实时数据流量管理算法来协调用户的数据消耗，以适应预先调度的数据流量轮廓。数值结果表明，成本效益框架在指示和激励移动用户的数据消费行为的有效性。所提出的管理方案可以有效地激励用户调整其数据消费配置文件，以获得最佳的数据消费成本效率。
2016-10-26 cs.NI
Artificial Intelligence Paradigm for Customer Experience Management in Next-Generation Networks: Challenges and Perspectives
随着下一代可编程网络的发展，传统的基于规则的决策可能无法有效地适应不断变化的网络和客户需求，并提供最佳的客户体验。必须了解客户体验管理（CEM）组件以及与运营商、网络和业务要求相关的实施挑战，以满足所需需求。本文概述了CEM组件及其设计挑战。我们详细介绍了数据分析和人工智能驱动的CEM及其功能差异。本文概述了下一代网络中的自治CEM框架，并为未来的增强奠定了基础。
2018-05-16 cs.NI
Bandit Convex Optimization for Scalable and Dynamic IoT Management
University of Minnesota（明尼苏达大学）
本文研究了同时具有时变损失函数和时变约束的在线凸优化问题。损失函数对学习者来说是不完全可访问的，相反，只有函数值（也称为“损失函数”）是可访问的。Bandit反馈）在查询点处被揭示。这些约束在决策后会被揭示出来，可能会在瞬间被违反，但从长远来看，它们必须得到满足。这种设置非常适合新兴的在线网络任务，例如物联网（IoT）中的雾计算，其中在线决策必须灵活地适应不断变化的用户偏好（损失函数）以及资源的时间不可预测的可用性（约束）。针对损失函数难以建模的人在回路系统，提出了一种基于损失函数的（可能是多个）Bandit反馈和环境变化自适应调整在线操作的Bandit在线鞍点（BanSaP）算法.这里的性能评估：i）动态遗憾，概括了广泛使用的静态遗憾;和，ii）适合捕获的限制违反的累积量。具体而言，BanSaP被证明同时产生次线性动态遗憾和适合，提供的最佳动态解决方案随时间缓慢变化。雾计算卸载任务中的数值测试证实，我们提出的BanSaP方法相对于现有的基于梯度反馈的方法提供了有竞争力的性能。
2017-07-27 cs.LG cs.NI
Joint Access-Backhaul Perspective on Mobility Management in 5G Networks
工业界和学术界在5G的研究开发和标准化方面的持续努力已经导致了对使能者（软件定义网络、网络功能虚拟化、分布式移动性管理等）的识别。和关键领域（移动性管理、干扰管理、联合接入回程机制等）这将有助于实现5G目标。在这些努力期间，还已经确定，由于其高度的异构性、高QoS需求和不可避免的密度（在接入点和用户方面），5G网络将需要具有高效的联合回程和接入机制以及增强的移动性管理机制，以便有效、高效和无处不在。因此，在本文中，我们首先提供了一个讨论的回程场景的演变，以及联合接入和回程优化的必要性。随后，由于移动性管理机制可能需要未来回程/前传网络的可用性、可靠性和异构性作为确定给定上下文的最佳解决方案的参数，因此已经执行了关于未来回程/前传场景对5G网络中移动性管理解决方案的设计和实现的影响的研究。
2017-12-01 cs.NI
Creating Tailored and Adaptive Network Services with the Open Orchestration C-RAN Framework
下一代无线通信网络将利用软件定义无线电和网络技术，结合云计算和雾计算。然后可以动态地分配资源池以创建个性化网络服务（NS）。支持技术是资源的抽象化、虚拟化和整合、流程的自动化以及程序化的配置和编排。ETSI的网络功能虚拟化（NFV）管理和编排（MANO）框架提供了管理层的架构和规范。我们介绍OOCRAN，一个开源的软件框架和测试平台，通过将无线电通信层扩展现有的NFV管理解决方案。本文介绍了OOCRAN，并说明了它如何监视和管理资源池创建定制的NS。OOCRAN可以自动化NS重新配置，但也便于用户控制。我们演示了蜂窝网络的动态部署，并讨论了在共享基础设施上动态创建和管理定制网络的挑战。
2018-06-19 cs.NI
Fog Computing Approaches in Smart Cities: A State-of-the-Art Review
如今，智能城市的发展，特别是在位置感知、延迟敏感和安全关键应用（如紧急火灾事件、患者健康监测或实时制造）中，在很大程度上取决于能够满足这些要求的更先进的计算模式。在这方面，雾计算，一个强大的云计算的补充，发挥了优势的作用，凭借定位更接近终端设备。尽管如此，智能城市中使用的方法通常是基于云的，这不仅会导致安全性和时间敏感的服务受到影响，而且其灵活性和可靠性也受到限制。为了克服云和其他相关计算范式（如边缘计算）的局限性，本文对智能城市中最先进的基于雾的方法进行了系统的文献综述（SLR）。在此基础上，根据研究的内容，提出了一种分类方法，将其分为基于服务、基于资源和基于应用的三大类。本SLR还调查了每个类的评价因素、使用的工具、评价方法、优点和缺点。在每一类中提出的算法的类型也被提到。最重要的是，通过考虑各种观点，通过将未来趋势和问题划分为实际的子类，提供了全面和独特的开放问题和挑战。
2020-12-01 cs.DC cs.NI
Toward Experience-Driven Traffic Management and Orchestration in Digital-Twin-Enabled 6G Networks
预计设想的6G网络将支持极高的数据率、低延迟以及由机器学习支持的全新应用。未来的6G网络需要一个新的框架，可用于操作，管理和优化其底层服务，如超可靠和低延迟通信以及万物互联。近年来，人工智能（AI）在优化和设计网络方面取得了重大成功。启用AI的业务编排可以动态地组织不同的网络架构和切片，以考虑无线通信网络的动态性质来提供体验质量。在本文中，我们提出了一个支持数字孪生的网络框架，由人工智能授权，以满足设想的6G网络的可变性和复杂性，提供智能资源管理和智能服务提供。数字孪生通过创建6G网络及其相关联的通信技术（例如，智能反射表面，太赫兹和毫米通信），计算系统（例如，云计算和雾计算）及其相关算法（例如，优化和机器学习）。然后，我们讨论和回顾了现有的支持AI的流量管理和编排技术，并强调了未来的研究方向和6G网络中的潜在解决方案。
2022-01-12 cs.NI
Efficient and Secure Energy Trading with Electric Vehicles and Distributed Ledger Technology
本文提出一种结合电动汽车计算与储能能力、分布式账本和智能合约的整体能源管理系统，通过隐私保护负荷预测实现低延迟安全能源管理，并验证其在货币与能源效用上的增益。
2023-12-01 cs.NI
Evolution Towards 5G Multi-tier Cellular Wireless Networks: An Interference Management Perspective
演进的第五代（5G）蜂窝无线网络被设想为克服现有蜂窝网络的基本挑战，例如，更高的数据率、出色的端到端性能以及热点和拥挤区域中的用户覆盖率，同时降低延迟、能耗和每次信息传输的成本。为了应对这些挑战，5G系统需要采用由宏小区、不同类型的授权小小区、中继和设备到设备（D2D）网络组成的多层架构，以频谱和节能的方式为具有不同服务质量（QoS）要求的用户提供服务。本文从5G多层网络的愿景和要求开始，概述了干扰管理的挑战（例如，功率控制、小区关联）在这些具有共享频谱接入的网络中（即，当不同的网络层共享相同的许可频谱时）。有人认为，现有的干扰管理方案将无法解决优先级5G多层网络中的干扰管理问题，其中不同层中的用户具有不同的信道接入优先级。在这种情况下，提供了对潜在的现有小区关联和功率控制方案的调查和定性比较，以证明它们在5G网络中的干扰管理方面的局限性。突出了开放的挑战，并提供了修改现有方案的指导方针，以克服这些限制，使其适用于新兴的5G系统。
2014-02-17 cs.NI
User Preference Learning Based Edge Caching for Fog Radio Access Network
研究了雾天无线接入网（F-RAN）中的边缘缓存问题。通过最大化整体缓存命中率，边缘缓存优化问题，制定找到最佳的政策。从区域用户的角度考虑内容在时间和空间上的受欢迎程度。提出了一种利用内容特征和用户偏好的在线内容流行度预测算法，以及一种利用{在线梯度下降}（OGD）方法和{跟随（邻近）正则化领导者}（FTRL-Proximal）方法的离线用户偏好学习算法。我们提出的边缘缓存策略不仅可以以低复杂度的在线方式及时预测未来的内容流行度，{而且}可以跟踪内容流行度的空间和时间流行度动态的时间没有延迟。此外，我们设计了两个基于学习的边缘缓存架构。此外，我们从理论上推导出流行度预测误差的上限，缓存命中率的下限，以及我们提出的边缘缓存策略的整体缓存命中率的遗憾界。仿真结果表明，我们提出的策略的整体缓存命中率优于传统的策略，并渐近接近最优性能。
2019-02-27 cs.IT cs.NI math.IT
Evolution Toward 6G Wireless Networks: A Resource Management Perspective
在本文中，我们首先介绍了6 G无线网络的愿景、关键性能指标、关键使能技术（KCN）和服务。然后，我们强调了一系列的一般资源管理（RM）的挑战，以及独特的RM挑战对应于每个KET。6 G中独特的RM挑战需要将现有的基于优化的解决方案转变为人工智能/机器学习授权的解决方案。在续集中，我们制定了一个联合网络选择和子信道分配问题的6 G多频带网络，提供进一步增强的移动宽带（FeMBB）和极端超可靠低延迟通信（eURLLC）服务的地面和空中用户。我们的解决方案突出了多频段网络的有效性，并展示了与深度Q网络和双深度Q网络算法相比，深度Q学习在获得高效RM解决方案方面的鲁棒性，收敛速度更快。
2021-08-14 cs.NI eess.SP
From Agentic to Autogenic Network Management for AI-Native 6G and Beyond: A Standards Perspective
Bell Labs Research（贝尔实验室研究部）；Nokia Technology Standards（诺基亚技术标准）；University of Ottawa（Ottawa大学）
研究面向6G及以后网络的网络管理，提出自生网络管理参考架构，通过自我编程等能力扩展智能能力，支持分阶段部署，经高优先级运营商场景展示可应对实际挑战，给出使自生网络管理在未来6G网络实现的研究路线图。
2026-07-09 cs.AI cs.NI
