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
Joint Computation Offloading and Resource Allocation for Maritime MEC with Energy Harvesting
Department of Information Science and Technology of Dalian Maritime University, Dalian, China(大连海事大学信息科学技术学院)
本文提出一种支持能量收集的海洋MEC航道监测网络架构,利用Lyapunov优化解决动态环境下的联合计算卸载与资源分配问题,并开发JCORA算法最大化长期平均吞吐量。
2025-11-03 cs.NI
A Combined Environmental Monitoring Framework based on WSN Clustering and VANET Edge Computation Offloading
本文提出一种结合WSN聚类与VANET边缘计算卸载的联合环境监测框架,通过SUMO和Veins仿真验证了其在广大农村道路上的高效性与可扩展性。
2024-11-15 cs.DC cs.NI
Caching and Computation Offloading in High Altitude Platform Station (HAPS) Assisted Intelligent Transportation Systems
边缘智能是一种通过利用网络边缘上的计算资源来加速人工智能(AI)应用的新范式,可用于改善智能交通系统(ITS)。然而,由于物理限制和能源供应限制,边缘设备的计算能力通常是有限的。高空平台站(HAPS)计算可以被认为是边缘计算的一个有前途的扩展。HAPS部署在平流层,提供广泛的覆盖范围和强大的计算能力。它适用于协调陆地资源和存储与基于ITS的应用相关的基础数据。在这项工作中,三个计算层,即,交通工具、地面网络边缘和HAPS被集成以构建ITS的计算框架,其中HAPS数据库存储应用所需的基础数据。此外,高速缓存技术被引入到网络边缘,以存储来自HAPS的一些基本数据,从而可以减少大的传播延迟。我们的目标是通过优化计算卸载和缓存决策以及带宽和计算资源分配来最大限度地减少系统的延迟。模拟结果强调了HAPS计算在减轻延迟方面的优势以及网络边缘缓存的重要性。
2022-01-13 cs.NI cs.SY eess.SY
FoggyEdge: An Information Centric Computation Offloading and Management Framework for Edge-based Vehicular Fog Computing
本文提出基于命名数据网络和微服务的四层 FoggyEdge 框架,融合车辆雾计算与路侧边缘计算,以降低车联网服务时延和卸载传输成本,并通过 SUMO 实验验证其有效性。
2023-04-20 cs.NI
Secure Data Offloading Strategy for Connected and Autonomous Vehicles
互联和自动驾驶汽车(CAV)预计将不断与安装在路边安全机柜中的处理节点网络进行交互,从而形成智能交通系统(ITS)的基于雾计算的基础设施。未来城市规模的ITS服务将严重依赖于雾计算网络上每个CAV定期卸载的传感器数据。由于媒体的广播性质,CAV的通信很容易被窃听。本文提出了一种新的数据卸载方法,其中随机线性网络编码(RLNC)的原则是用来确保窃听者恢复传感器数据的相关部分的概率最小化。我们的初步结果证实了我们的方法在大规模ITS网络中运行时的有效性。
2019-03-04 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
Satellite-based ITS Data Offloading & Computation in 6G Networks: A Cooperative Multi-Agent Proximal Policy Optimization DRL with Attention Approach
针对6G网络中远程ITS节点地面接入网支撑不足的问题,提出带注意力机制的Co-MAPPO深度强化学习方法结合凸优化,实现卫星MEC的卸载决策与资源分配,较基线方法性能最高提升9.9%。
2023-06-15 cs.NI
Deep Reinforcement Learning-based Task Offloading in Satellite-Terrestrial Edge Computing Networks
在偏远地区(例如,山区和沙漠),蜂窝网络通常被稀疏地部署或不可用。随着新应用程序的出现(例如,工业自动化和环境监控),资源受限的终端变得不能满足等待时间要求。同时,通过卫星链路将任务卸载到城市地面云(TC)将导致高延迟。为了解决上述问题,提出了卫星边缘计算架构,即,用户可以将计算任务卸载到可视卫星上执行。然而,现有的工作通常局限于纯卫星网络中的卸载任务,并根据预定义的用户模型进行卸载决策。此外,现有算法的运行时间消耗相当高。本文研究了星地边缘计算网络中的任务卸载问题,其中任务可以由卫星或城市TC执行。提出的基于深度强化学习的任务卸载(DRTO)算法可以通过调整候选位置的数量来加速学习过程。此外,卸载位置和带宽分配仅取决于当前信道状态。仿真结果表明,DRTO在运行时间消耗较少的情况下,获得了接近最优的卸载性能,更适合于快衰落信道下的星地网络。
2021-02-03 cs.NI
Energy-efficient Caching and Task offloading for Timely Status Updates in UAV-assisted VANETs
智能边缘网络正在成熟,以实现智能和高效的交通系统。在这封信中,我们考虑无人机(UAV)辅助车载网络,无人机提供缓存和计算服务,与基站(BS)的补充。一个主要的挑战是车辆需要通过协调无处不在的缓存和计算资源来获得及时的态势感知。请注意,用于车辆感知任务的缓存数据包含时变上下文信息,因此应结合任务执行来考虑缓存数据的新鲜度,以保证获得的状态更新的及时性。为此,我们提出了一个两阶段的性能指标来量化的影响,缓存刷新和计算卸载的决定年龄的状态更新。我们制定了能源最小化问题,共同考虑缓存刷新,计算卸载和老化的状态更新。为了方便在线决策,我们提出了一个深度确定性策略梯度(DDPG)为基础的解决方案的过程,并结合差异化的经验重放机制,以加速收敛。仿真结果表明,所提出的解决方案的性能是有竞争力的能源消耗获得新鲜的状态更新。
2022-05-04 cs.NI
Digital Twin-Assisted Task Offloading and Resource Allocation in ISAC-Enabled Internet of Vehicles
Xiamen University(厦门大学);Nanyang Technological University(南洋理工大学)
针对车联网通信频谱效率低、资源优化难等问题,本文提出ISAC赋能的数字孪生辅助任务卸载与资源分配方案,通过李雅普诺夫优化分解问题并设计Ly-DTMPPO算法,实现系统成本最小化与队列稳定,仿真显示其性能优于现有基准。
2025-11-08 cs.NI
Joint Task Offloading and Resource Optimization in NOMA-based Vehicular Edge Computing: A Game-Theoretic DRL Approach
车辆边缘计算(VEC)成为新兴智能交通系统发展的一个有前途的范例。然而,有限的资源和大量的传输需求给实现具有严格期限要求的车辆应用带来了巨大的挑战。提出了一种基于非正交多址接入(NOMA)的VEC体系结构,异构边缘节点协作进行实时任务处理。本文建立了车辆到基础设施(V2I)传输模型,同时考虑了边缘内和边缘间干扰,并以服务率最大化为目标,通过联合优化任务卸载和资源分配,建立了协作资源优化(CRO)问题。进一步地,我们将CRO分解成两个子问题,即任务卸载和资源分配。特别地,任务卸载子问题被建模为一个精确势博弈(EPG),并提出了一个多智能体分布式深度确定性策略梯度(MAD4PG),以实现纳什均衡。将资源分配子问题分解为两个独立的凸优化问题,利用基于梯度的迭代法和KKT条件,得到了最优解.最后,基于真实车辆轨迹建立仿真模型,并进行全面的性能评估,验证了所提方案的优越性。
2022-10-24 cs.NI
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
An Optimized Multi-Layer Resource Management in Mobile Edge Computing Networks: A Joint Computation Offloading and Caching Solution
如今,数据缓存正被用作移动边缘计算网络中的高速数据存储层,其以指数速率采用流控制方法。这项研究表明,如何发现最佳的回程网络的缓存能力,使用分布式卸载技术的架构。本文使用连续功率流分析来实现最佳负载约束,其中具有各种缓存容量的宏基站的功率由智能电网网络或可再生能源系统提供。这项工作提出了在小区边缘的用户之间的无处不在的连接性,并卸载宏小区,以便提供宏小区本身无法应对的特征,例如所需的用户数据速率和能量效率的极端变化。然后将卸载框架改造为神经加权框架,该框架考虑了Karush Kuhn Tucker优化限制下移动边缘计算的收敛性和Lyapunov不稳定性要求,以获得精确的解。在边界和中心点的细胞层的性能进行了分析。分析和仿真结果表明,该方法优于其他节能技术。此外,在文献中研究的其他解决方案相比,所提出的方法表明,两个小区边缘用户的吞吐量和每个集群的总吞吐量增加了两到三倍。
2022-11-11 cs.NI
Rotatable RIS-Assisted Edge Computing: Orientation, Task Offloading, and Resource Optimization
针对移动用户设备的移动边缘计算能耗问题,提出基于SAC的可旋转RIS辅助优化方案,联合优化RIS朝向、相移等策略,相比固定RIS最多降47.3%总能耗。
2025-03-21 cs.NI
When Deep Reinforcement Learning Meets Federated Learning: Intelligent Multi-Timescale Resource Management for Multi-access Edge Computing in 5G Ultra Dense Network
Sun Yat-sen University(中山大学);Auburn University(奥本大学)
超密集边缘计算(UDEC)具有巨大的潜力,特别是在5G时代,但其当前的解决方案仍然面临挑战,例如缺乏:i)多个5G资源的有效利用(例如,计算、通信、存储和服务资源); ii)低开销卸载决策和资源分配策略;以及iii)隐私和安全保护方案。因此,我们首先提出了一个智能超密集边缘计算(I-UDEC)框架,它将区块链和人工智能(AI)集成到5G超密集边缘计算网络中。首先,我们展示了框架的架构。然后,为了实现实时和低开销的计算卸载决策和资源分配策略,我们设计了一种新的双时标深度强化学习(\textit{2Ts-DRL})方法,分别由一个快速时标和一个慢速时标的学习过程。主要目标是通过联合优化计算卸载、资源分配和服务缓存放置来最小化总卸载延迟和网络资源使用。我们还利用联邦学习(FL)以分布式方式训练\textit{2Ts-DRL}模型,旨在保护边缘设备的数据隐私。仿真结果证实了I-UDEC框架中的\textit{2Ts-DRL}和FL的有效性,并证明我们提出的算法可以减少任务执行时间高达31.87%。
2020-09-22 cs.AI cs.DC cs.NI
COHERE -- Congestion-aware Offloading and Handover via Empirical RAT Evaluation for Multi-RAT Networks
University of Florida(佛罗里达大学)
针对多RAT网络中仅依赖RSSI导致切换决策次优的问题,提出多准则框架COHERE,结合TOPSIS算法与主客观权重对RAT进行排名并执行智能跨RAT卸载,实验证明其显著降低拥塞与切换次数并改善延迟。
2025-11-01 cs.NI
Network Slice-based Low-Altitude Intelligent Network for Advanced Air Mobility
本文提出基于网络切片的低空智能网络(LAIN)框架,利用5G/6G切片技术动态调整通信与计算资源,通过接入配对、预评估算法和深度强化学习编排机制,解决eVTOL动态任务卸载挑战,显著提升资源分配效率并降低运营成本。
2025-01-28 cs.NI
Recursive Offloading for LLM Serving in Multi-tier Networks
针对多层级网络中LLM服务效率低的问题,提出递归卸载框架RecServe,通过分层置信度评估和滑动窗口动态卸载策略,在八个数据集上优于CasServe并降低超50%通信负担。
2025-05-24 cs.DC cs.NI
Federated Learning Assisted Deep Q-Learning for Joint Task Offloading and Fronthaul Segment Routing in Open RAN
本文针对O-RAN中任务卸载、前传路由与边缘计算的联合优化问题,提出联邦学习辅助的深度Q学习方法,以最小化时延代价。
2023-08-14 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
A Generic Framework for Task Offloading in mmWave MEC Backhaul Networks
随着毫米波(mmWave)通信技术的出现,移动回程网络的容量可以显著增加。另一方面,移动边缘计算(MEC)提供了适当的基础设施来卸载延迟敏感的任务。然而,MEC服务器中的资源量通常是有限的。因此,重要的是通过优化回程带宽和边缘服务器资源分配来智能地管理MEC任务卸载,以便减少卸载的任务的总体延迟。本文研究了MEC环境中的任务分配问题,其中毫米波技术用于回程网络。我们制定了一个混合的非线性规划(MINLP)的目标,以最小化总的任务服务时间。其目标是确定优化的网络拓扑,识别哪个服务器用于处理给定的卸载任务,找到每个用户任务的路径,并确定在毫米波回程链路上分配给每个任务的带宽。因为这个问题很难解决,我们开发了一个两步走的方法。首先,优化求解确定网络拓扑和路由路径的混合整数线性规划(MILP)。然后,分配给每个用户任务的带宽的分数进行优化,通过解决一个准凸问题。数值结果表明,所获得的拓扑结构和路由路径选择的情况下,优化带宽分配显着提高了总的服务时间,特别是带宽密集型任务。
2018-10-03 cs.NI
Energy Sensing and Monitoring Framework with an Integrated Communication Backbone in the Energy Efficient Intelligent Buildings
建筑环境是全球能源消耗的重要来源。要创建节能建筑,第一步是感知和监控建筑物中所有的能耗设备,并记录所有的能耗信息。在此之后,可以决定适当的节能策略,并且可以将指令发送到控制设备以应用节能调整。为此,需要建筑物内的双向通信网络来连接所有传感器以收集信息并发送控制指令。然而,大多数当前设备由单独的制造商提供,并且具有单独的网络基础设施,因此在不同的子系统之间没有太多的集成和交互。在本文中,我们设想了一个新的能源传感和监测框架与集成的通信骨干在智能建筑环境。具体来说,通过全面的比较和调查,我们研究了不同的候选通信介质和协议,如有线,无线和电力线通信技术,可能会被用于智能建筑,以实现协调,集成和能源效率的目标。此外,我们提出了一个扩展“智能盒”的标准化过程的成熟之前的设备集成。本集团亦引入云计算及智能手机技术,以实现提高能源效率及促进全球可持续发展的目标。
2016-03-25 cs.NI
Intelligent Internet of Things (IoT) Node Demonstrator for Device Monitoring and Control in the Oil and Gas Sector
物联网(IoT)是将智能和非智能设备连接到网络的新工业口号。数据传输的安全性、不同方法的互操作性、Wi-Fi的普及以及低功耗MCU的发展等问题,扩大了对石油和天然气行业物联网最佳替代技术的探索。本文重点介绍物联网设备的通信方法,以确定基于IEEE 802.11标准的新型MOD-WIFI-ESP8266-DEV Wi-Fi单元与德州仪器MSP430接口的功能级别和效率。该系统使用Android应用程序和Web服务控制LED并监控温度/湿度传感器(DHT 11)。该系统以三层结构呈现了一个轻量级、小尺寸、低成本和低功耗的物联网系统生态系统。预计该系统的行业/用户将能够控制,监控和分析由连接设备网络生成的数据。
2019-02-26 cs.NI
Hyperprofile-based Computation Offloading for Mobile Edge Networks
Southeast Missouri State University(东南密苏里州立大学);Cornell University(康奈尔大学);University of Missouri(密苏里大学)
在最近的研究中,研究人员开发了各种计算卸载框架,通过边缘网络使云服务更接近用户。具体而言,由于能量和处理限制,边缘设备需要卸载计算密集型任务。这些约束提出了识别哪些边缘节点应该接收任务以减少总体资源消耗的挑战。我们提出了一个独特的解决方案,该方案结合了知识定义网络(KDN)的元素,根据历史数据对卸载成本进行智能预测。每个服务器实例可以在多维特征空间中表示,其中每个维度对应于预测的度量。我们计算一个“hyperprofile”的功能和位置节点的基础上卸载一个特定的任务的预测成本。然后,我们在hyperprofile中执行k-最近邻(kNN)查询,以选择用于卸载计算的节点。本文形式化了我们基于超配置文件的解决方案,并探讨了使用机器学习(ML)技术来预测计算卸载有用的指标的可行性。我们还调查了使用不同的距离度量的查询的效果。我们的研究结果表明,各种网络指标可以准确地建模回归,并有情况下,使用欧氏距离,而不是直线距离的kNN查询是更有利的。
2017-07-28 cs.AI cs.NI
DECOFFEE: Decentralized Reinforcement Learning for Time-critical Workload Offloading and Energy Efficiency across the Computing Continuum
Four Dot Infinity;National and Kapodistrian University of Athens(雅典国立卡波季斯特里安大学)
本文提出DECOFFEE框架,通过去中心化强化学习优化系统延迟、能耗和工作负载丢弃率,采用并行马尔可夫决策过程和改进的DQN架构提升边缘计算效率。
2026-04-27 cs.NI
Meeting Deadlines in Motion: Deep RL for Real-Time Task Offloading in Vehicular Edge Networks
University of Ottawa(渥太华大学)
本文提出利用深度强化学习优化车载边缘网络中的实时任务卸载,通过实验验证DQN模型在减少任务执行时间和延迟方面的有效性。
2025-07-12 cs.NI
Reconfigurable Intelligent Surface Assisted VEC Based on Multi-Agent Reinforcement Learning
School of Internet of Things Engineering, Jiangnan University(江南大学物联网工程学院);Department of Electronic Engineering, Beijing National Research Center for Information Science and Technology, Tsinghua University(清华大学电子工程系、北京信息科学与技术国家研究中心);State Key Lab. of ISN and School of Telecommunications Engineering, Xidian University(西安电子科技大学信息与通信工程学院);Qualcomm(高通);School of Engineering, University of Kent(肯特大学工程学院)
针对障碍物导致车载边缘计算通信中断的问题,提出一种基于改进MADDPG与BCD算法的RIS辅助VEC控制方案,优化功率分配与相移,仿真验证其性能优于集中式DDPG和随机方案。
2025-06-19 cs.DC cs.LG cs.MA
Energy-Aware Service Offloading for Semantic Communications in Wireless Networks
针对5G网络难以满足智能应用高传输需求的问题,本文提出异构无线网络下面向语义通信的能量感知服务卸载方案,通过离散变量松弛求解NP难的MINLP问题,结合AI自编码器与分类器实现语义服务,实验验证了方案的优越性。
2024-01-29 cs.NI
An Energy Efficient Protocol for Gateway-Centric Federated Residential Access Networks
在城市地区,重叠的、始终在线的IEEE 802.11接入点(AP)的激增会导致频谱共享冲突、低效的带宽使用和功率浪费。AP之间的合作可以解决这些问题,(i)通过允许未充分使用的设备将其客户端切换到附近的AP并暂时关闭,(ii)通过平衡AP之间的客户端负载,从而卸载拥塞的AP。联合之家模式为实施行动方案之间的合作提供了一个有吸引力的背景。在本文中,我们概述了一个框架,假设存在一个多用途的网关与AP功能在每个家庭,允许这样的合作,通过监测本地无线资源和触发卸载请求向其他联合网关。然后,我们提出了模拟结果,在现实的设置,我们的框架的能力提供了一些见解。
2011-05-16 cs.NI
MSCET: A Multi-Scenario Offloading Schedule for Biomedical Data Processing and Analysis in Cloud-Edge-Terminal Collaborative Vehicular Networks
China University of Petroleum (East China)(中国石油大学(华东));Federation University Australia(澳大利亚联邦大学)
随着人工智能(AI)和物联网(IoT)的快速发展,越来越多的计算密集型或延迟敏感的生物医学数据处理和分析任务在车辆中产生,给驾驶员的生物特征监测带来越来越多的挑战。边缘计算是解决这些挑战的新范式,它将任务从资源有限的车辆卸载到路边单元(RSU)中的边缘服务器(ES)。然而,大多数车辆网络的传统卸载调度集中在边缘,而有些任务可能过于复杂,ES处理。为此,我们考虑了一个协作车辆网络,其中云,边缘和终端可以相互合作来完成任务。车辆可以将计算密集型任务卸载到云端,以节省边缘资源。由于某些区域可能被多个RSU覆盖,我们进一步构建了虚拟资源池,可以集成多个ES的资源。在本文中,我们提出了一个多场景卸载计划的生物医学数据处理和分析的云边缘终端协同车辆网络称为MSCET。建议MSCET的参数进行了优化,以最大限度地提高系统的效用。我们还进行了大量的模拟评估建议MSCET和结果表明,MSCET优于其他现有的时间表。
2022-02-16 cs.LG cs.NI
Blue Communications for Edge Computing: the Reconfigurable Intelligent Surfaces Opportunity
由于无数的新连接和在网络边缘交换毛细数据以进行实时处理和决策,无线流量正在爆炸式增长。后者特别影响上行链路流量,这将在6G及其他网络中增长,需要新的优化指标,包括能量,服务延迟和电磁场(EMF)暴露(EMFE)。为此,可重构智能表面(RISs)代表了一个有前途的解决方案,以减轻电磁场,由于其成形和操纵的冲击电磁波的能力。根据这一愿景,本文提出了一种在线自适应方法,以减轻计算卸载服务的端到端延迟约束下的EMFE,在RIS和多接入边缘计算(MEC)辅助无线网络的背景下。我们的目标是最大限度地减少长期平均的EMF人类暴露在这样的约束条件下,调查的优势,对蓝色(即低EMFE)通信的RIS。研究了多输入多输出(MIMO)系统,作为朝向6G的愿景的一部分。该方法针对典型的计算卸载场景,联合自适应地优化了用户预编码、发射功率、RIS反射率参数和接收机合路器,并在理论上保证了系统的长期性能。除了理论结果,数值模拟评估所提出的算法的性能,当利用准确的天线方向图,从而显示的RIS和我们的方法的优势,相比基准解决方案。
2022-11-10 cs.ET cs.NI eess.SP
Joint Task Offloading and Resource Allocation in Low-Altitude MEC via Graph Attention Diffusion
School of Computer Science, Northwestern Polytechnical University(西北工业大学计算机学院);School of Cyber Engineering, Xidian University(西安电子科技大学电子工程学院);Center for 6G Technology, Khalifa University of Science and Technology(卡塔尔科学技术大学6G技术中心);School of Electrical and Electronics Engineering, Nanyang Technological University(南洋理工大学电子与电气工程学院)
针对低空MEC中任务卸载与资源分配的挑战,本文构建三层异构架构并提出图注意力扩散解决方案生成器(GADSG),联合优化离散与连续变量,显著提升了优化性能、鲁棒性和泛化能力。
2025-06-27 cs.LG cs.NI
Converged Reconfigurable Intelligent Surface and Mobile Edge Computing for Space Information Networks
空间信息网络(SIN)面临着地面、空中和空间通信一体化的发展,对高速、大容量、无缝数据传输的需求日益增长。然而,这对集成SIN的体系结构设计提出了新的范式。最近,可重构智能表面(RISs)和移动边缘计算(MEC)是最有前途的技术,旨在通过重新配置无线传播环境和卸载来提高通信和计算能力。因此,在SIN中融合RISs和MEC正在成为一种努力,以获得计算和通信的双重好处。在这篇文章中,我们提出了一个RIS辅助协作MEC的SIN架构,并讨论其实现。然后,我们提出了它的潜在好处,主要挑战和可行的应用。随后,我们研究不同的情况下,以评估系统的数据率和延迟。最后,我们总结了在这一研究领域的开放问题的列表。
2021-06-08 cs.NI eess.SP
DRL-Based Federated Self-Supervised Learning for Task Offloading and Resource Allocation in ISAC-Enabled Vehicle Edge Computing
School of Internet of Things Engineering, Jiangnan University(江南大学物联网工程学院);Department of Electronic Engineering, Beijing National Research Center for Information Science and Technology, Tsinghua University(清华大学信息科学与技术国家研究中心电子工程系);State Key Lab. of ISN and School of Telecommunications Engineering, Xidian University(西安电子科技大学信息与通信系统国家重点实验室和电信工程学院);Department of Electronic Engineering, Shanghai Jiao Tong University(上海交通大学电子工程系);Department of Electrical and Computer Engineering, the Hong Kong University of Science and Technology (HKUST)(香港科技大学电子与计算机工程系)
针对ISAC赋能的车辆边缘计算,提出基于DRL的改进联邦自监督学习算法,通过部分任务卸载与资源分配优化能耗,提升卸载效率与模型精度。
2025-06-19 cs.DC cs.LG cs.NI
Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line and Off-policy Bandit Solutions
University of Bologna(博洛尼亚大学);Lancaster University(兰卡斯特大学);University of Tübingen(蒂宾根大学);University of Manitoba(曼尼托巴大学)
随着智能交通系统(ITS)和车辆通信的快速发展,车辆边缘计算(VEC)正在成为支持低延迟ITS应用和服务的有前途的技术。在本文中,我们考虑的计算卸载问题,从移动车辆/用户在异构VEC的情况下,并专注于网络和基站的选择问题,不同的网络有不同的流量负载。在快速变化的车辆环境中,用户的计算卸载体验受到由于与基站共处的边缘计算服务器处的拥塞而引起的延迟的强烈影响。然而,由于这种环境的非平稳特性以及信息短缺,预测这种拥塞是一项复杂的任务。为了解决这一问题,我们提出了一个在线学习算法和一个基于多臂强盗理论的离策略学习算法。为了在分段静态环境中动态地选择最不拥塞的网络,这些算法使用卸载历史来预测卸载任务经历的延迟。此外,为了最大限度地减少由于车辆的移动性造成的任务损失,我们开发了一种用于基站选择的方法。此外,我们提出了一个中继机制,选定的网络,它的基础上的逗留时间的车辆。通过密集的数值分析,我们证明了所提出的基于学习的解决方案通过选择最不拥塞的网络来适应网络的流量变化,从而减少了卸载任务的延迟。此外,我们证明了建议的联合基站选择和中继机制,最大限度地减少在车辆环境中的任务损失。
2023-03-15 cs.LG cs.NI eess.SP
Intelligent Monitoring Framework for Cloud Services: A Data-Driven Approach
Microsoft(微软公司)
提出数据驱动智能监控框架,基于服务属性推荐监控,经微软实证与用户研究验证有效。
2024-02-29 cs.LG cs.NI
Congestion-Aware Distributed Network Selection for Integrated Cellular and Wi-Fi Networks
智能网络选择在实现集成蜂窝和Wi-Fi网络中的有效数据卸载方面起着重要作用。然而,先前提出的网络选择方案主要集中于将尽可能多的数据业务卸载到Wi-Fi,而没有系统地考虑Wi-Fi网络拥塞和乒乓效应,这两者都可能导致较差的整体用户体验质量。因此,在本文中,我们研究了一个更实际的网络选择问题,同时考虑网络拥塞和切换惩罚的影响。更具体地说,我们制定了用户的互动作为一个贝叶斯网络选择游戏(NSG)下的不完全信息的用户的移动性。我们证明了这是一个贝叶斯潜在的游戏,并显示存在一个纯贝叶斯纳什均衡,可以很容易地达到。然后,我们提出了一个分布式网络选择(DNS)算法的基础上从运营商获得的网络拥塞统计。此外,我们表明,计算最佳的集中式网络分配是一个NP难问题,这进一步证明了我们的分布式方法。仿真结果表明,与现场分流和纯蜂窝基准方案相比,DNS算法实现了最高的用户效用和良好的用户公平性。
2017-03-01 cs.GT cs.NI
GJRA: A Global Joint Resource Allocation Scheme for UAV service of PEC in IIoTs
工业物联网(IIoT)是一种新兴的模式,通过将大量无线设备部署到行业场景,使工业运营更加高效和智能。然而,由于计算能力和电池的限制,工业物联网设备(IIoTD)在实际中不能很好地执行计算密集型或延迟敏感型任务并提供长期服务。针对这些挑战,提出了一种面向工业物联网(IIoTs)中普适边缘计算(PEC)无人机(UAV)服务的有效全球联合资源分配方案,并研究了一种协同式UAV服务器-IIoTDs方案。在我们提出的方案中,IIoTD可以保持高效率的性能,即使它们的电池耗尽,通过将无人机部署为PEC服务器和移动电源,为IIoTD提供任务卸载和能量收集的机会。综合考虑卸载位置选择、设备资源分配和系统性能,通过联合优化任务卸载决策、计费资源分配、连接管理和无人机计算资源分配,最大限度地降低所有IIoTD的总体服务延迟(包括任务计算延迟和卸载延迟)。然而,制定的优化问题是一个混合整数非线性规划(MINLP)的问题,这是具有挑战性的解决一般。为了解决这个问题,我们将其分解成多个凸子问题的基础上块坐标下降(BCD)方法,以获得最优解。性能评估表明,我们的计划优于现有的计划方面的整体服务延迟的IIoTD。
2020-05-17 cs.NI eess.SP
Device Sampling for Heterogeneous Federated Learning: Theory, Algorithms, and Implementation
Purdue University(普渡大学);Zhejiang University(浙江大学);Princeton University(普林斯顿大学);Ericsson Research(爱立信研究院)
传统的联邦学习(FedL)架构通过让工作者设备训练由服务器定期聚合的本地模型来跨工作者设备分布机器学习(ML)。然而,FedL忽略了当代无线网络的两个重要特征:(i)网络可能包含异构通信/计算资源,而(ii)设备的本地数据分布可能存在显著重叠。在这项工作中,我们开发了一种新的优化方法,通过智能设备采样辅以设备到设备(D2 D)卸载来共同考虑这些因素。我们的优化旨在选择采样节点和数据卸载配置的最佳组合,以最大限度地提高FedL训练精度,但要符合网络拓扑和设备功能的实际约束。D2 D卸载子问题的理论分析导致新的FedL收敛界和一个有效的顺序凸优化。利用这一结果,我们开发了一种基于图卷积网络(GCN)的采样方法,该方法可以学习网络属性、采样节点和由此产生的卸载之间的关系,从而最大限度地提高FedL的准确性。通过对物联网测试平台的真实数据集和网络测量结果进行评估,我们发现我们的方法在对所有设备的采样率不到5%的情况下,在训练模型准确性和所需资源利用率方面都大大优于传统FedL。
2021-01-04 cs.DC cs.LG cs.NI
Oranits: Mission Assignment and Task Offloading in Open RAN-based ITS using Metaheuristic and Deep Reinforcement Learning
Department of Smart City, Hanyang University(翰阳大学智能城市系)
提出Oranits系统模型,通过元启发式算法CGG-ARO和深度强化学习框架MA-DDQN优化车辆协作中的任务依赖与卸载成本,分别提升任务完成率7.7%和12.5%。
2026-06-19 cs.AI cs.DC cs.GT
Reconfigurable Intelligent Surface Aided Vehicular Edge Computing: Joint Phase-shift Optimization and Multi-User Power Allocation
School of Internet of Things Engineering, Jiangnan University(江南大学物联网工程学院);Department of Electronic Engineering, Beijing National Research Center for Information Science and Technology, Tsinghua University(清华大学电子工程系,北京信息科学与技术国家研究中心);State Key Lab. of ISN and School of Telecommunications Engineering, Xidian University(西安电子科技大学信息与通信工程学院);Department of Electrical and Computer Engineering, Hong Kong University of Science and Technology (HKUST)(香港科学与技术大学电气与计算机工程系)
针对车载边缘计算中障碍物导致通信链路恶化的问题,提出利用可重构智能表面辅助通信,并设计结合DDPG与MADDPG的深度强化学习框架,联合优化相移与功率分配,仿真验证其性能优于传统方案。
2025-06-18 cs.DC cs.LG cs.NI
Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning
School of Internet of Things Engineering, Jiangnan University(江南大学物联网工程学院);Tsinghua University(清华大学);Xidian University(西安电子科技大学);Shanghai Jiao Tong University(上海交通大学);University of Kent(肯特大学);Hong Kong University of Science and Technology(香港科技大学)
针对VEC中通信资源受限的任务卸载与AoI优化问题,提出FGNN-MADRL框架,以图结构建模道路并结合联邦学习与新型MADRL算法,在保护隐私的同时降低决策复杂度并提升性能。
2024-07-01 cs.DC cs.LG cs.MA
LiveMap: Real-Time Dynamic Map in Automotive Edge Computing
The University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Toyota Motor North America R&D InfoTech Labs(丰田北美研发信息技术实验室)
自动驾驶需要各种视线传感器来感知在各种环境不确定性(如视觉遮挡和极端天气)下可能受损的周围环境。为了提高驾驶安全性,我们探索在汽车边缘计算网络内的联网车辆之间无线共享感知信息。然而,在动态网络条件和变化的计算工作负载下,实时的共享大量感知数据具有挑战性。在本文中,我们提出了LiveMap,这是一个实时的动态地图,它可以在亚秒级的时间内利用来自联网车辆的众包数据检测、匹配和跟踪道路上的物体。我们开发了LiveMap的数据平面,通过目标检测、投影、特征提取、对象匹配有效地处理单个车辆数据,并通过对象组合有效地集成来自多个车辆的对象。我们设计了LiveMap的控制平面,允许车辆计算的自适应卸载,并开发了一种智能车辆调度和卸载算法,以减少基于深度强化学习(DRL)技术的车辆卸载延迟。我们在一个小规模的测试平台上实现了LiveMap,并开发了一个大规模的网络模拟器。通过实验和仿真对LiveMap的性能进行了评估,结果表明LiveMap比基线方案平均延迟降低了34.1%.
2020-12-16 cs.AI cs.NI cs.SY