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
Real-World Modeling of Computation Offloading for Neural Networks with Early Exits and Splits
本文研究移动设备上CNN应用的MEC计算卸载,设计并实现了具有早退和分割的CNN以灵活卸载推理任务,真实实验表明该方法显著降低了处理延迟和能耗且不损及准确率,并据此推导出实用模型。
2025-05-28 cs.NI eess.SP
UAV/HAP-Assisted Vehicular Edge Computing in 6G: Where and What to Offload?
针对6G动态车载环境中地面车辆资源有限的问题,研究通过非地面网络(NTNs)将任务卸载到无人机(UAVs)和高空平台(HAPs)的方案,建模优化卸载因子,结果表明高容量平台下空中辅助VEC在密集网络中可行。
2022-02-22 cs.NI eess.SP
Towards Per-user Flexible Management in 5G
灵活的管理是下一代5G网络的关键组成部分之一。目前,许多方法都侧重于网络功能(服务),然后将其转化为最终用户的需求,这稍微限制了管理和最终用户的灵活性。此外,将网络智能向边缘(即用户)移动已经证明了其好处,例如计算卸载,更低的延迟和更高的带宽利用率。在本文中,我们试图将管理尽可能地移到最终用户,为每个用户提供灵活性和唯一的用户到服务路径,使自定义路径适应每个用户的需求,而不是用户适应服务需求。为了验证我们的想法,我们研究了两个不同的用例,在ONOS平台中实现了概念验证。从所获得的结果中,我们得出结论,关于SDN在无线电接入和演进分组核心功能中的集成,仍有工作要做,以提供所需的灵活性。
2018-01-24 cs.NI
Joint Computing Offloading and Resource Allocation for Classification Intelligent Tasks in MEC Systems
针对MEC系统中分类智能任务的联合计算卸载与资源分配问题,本文提出将优化问题分解为子载波分配、计算容量分配和压缩卸载三个子问题,并设计高效算法以在计算精度和时延之间实现系统效用最大化。
2023-07-06 cs.NI eess.SP
FlexBSO: Flexible Block Storage Offload for Datacenters
FlexBSO 利用 Bluefield-2 SmartNIC 和 NVIDIA SNAP 实现硬件辅助的块存储卸载,以解决传统 virtio 方案中主机 CPU 开销高、存储栈变更不灵活以及 VM EXIT 导致性能下降的问题。
2024-09-04 cs.NI cs.OS
Online Collaborative Resource Allocation and Task Offloading for Multi-access Edge Computing
针对边云协同MEC中的资源受限与时延耦合优化难题,提出基于Lyapunov优化的在线联合通信资源分配与任务卸载方法OJCTA,以降低用户设备能耗并提升系统性能。
2025-01-06 cs.NI eess.SP
Joint Task Offloading and Resource Allocation in Aerial-Terrestrial UAV Networks with Edge and Fog Computing for Post-Disaster Rescue
针对灾后救援场景下无人机计算与续航资源不足的问题,提出结合MEC与VFC的三层计算架构及MVTORA方法,有效提升系统效用。
2023-10-06 cs.GT cs.NI eess.SP
REACT: Distributed Mobile Microservice Execution Enabled by Efficient Inter-Process Communication
增加的移动连接性、网络中各种计算环境中可用的服务的范围和数量要求移动应用高度动态,以便能够有效地将这些服务与移动设备上的其他本地能力一起合并到应用中。然而,如今移动应用组件的整体结构和大部分静态配置限制了应用动态管理内部组件、能够适应用户和环境以及利用网络中的各种服务来改善应用体验的能力。在本文中,我们介绍了REACT,这是一个新的基于Android的框架,允许将应用程序开发为松耦合微服务(MS)的集合。它允许基于上下文变化由网络中的服务执行MS的单独分发、动态管理和卸载。REACT旨在提供i)一个框架,作为Android库,用于创建适应上下文变化的基于MS的应用程序ii)一个统一的基于HTTP的通信机制,使用Android进程间通信(IPC)在本地运行的MS之间传输请求,同时允许在卸载时在网络和IPC请求之间进行灵活和透明的切换。我们通过实现一个视频流应用程序来评估REACT,该应用程序动态地将MS卸载到网络中的Web服务,以适应上下文的变化。评估表明,适应上下文的变化和降低功耗时卸载,而我们的通信机制克服了Android IPC的性能限制,使移动MS之间的大有效载荷的有效传输。
2021-01-04 cs.DC cs.NI
Flare: Flexible In-Network Allreduce
allreduce操作是分布式应用程序中最常用的通信例程之一。为了提高其带宽并减少网络流量,可以通过将其卸载到网络交换机来加速此操作,网络交换机聚合从主机接收的数据,并将聚合结果发送回主机。然而,现有的解决方案提供的定制机会有限,并且在处理自定义运算符和数据类型、稀疏数据或聚合的可重复性令人担忧时可能会提供次优性能。为了解决这些问题,在这项工作中,我们设计了一个灵活的可编程开关作为构建块PsPIN,RISC-V架构实现的sPIN编程模型。然后,我们设计,模型,并分析不同的算法执行聚合在这个架构上,显示性能的改进相比,国家的最先进的方法。
2021-06-29 cs.AR cs.DC cs.NI
Vehicular Network Slicing for Reliable Access and Deadline-Constrained Data Offloading: A Multi-Agent On-Device Learning Approach
由于无线信道上的数据率从根本上受到限制,因此高效的数据卸载在计算密集型平台中起着关键作用。最重要的是,高移动性增加了车辆边缘网络(VEN)的额外负担,从而增强了对以用户为中心的高效解决方案的需求。因此,与传统的不灵活的以网络为中心的方法不同,本文利用软件定义的灵活,开放和可编程的网络平台,在VEN中实现高效的以用户为中心,快速,可靠和期限受限的卸载解决方案。在所提出的模型中,每个活跃的车辆用户(VU)从多个低功率接入点(AP)通过创建一个高贵的虚拟小区(VC)。联合节点关联,功率分配,和分布式资源分配问题制定。由于集中式学习在许多现实问题中并不实用,因此遵循自治VU的分布式性质,每个VU都被认为是边缘学习代理。为此,考虑到实际的位置感知节点的关联,联合无线电和功率资源分配非合作随机博弈制定。利用强化学习(RL)的有效性,提出了一种多智能体强化学习(MARL)解决方案,其中边缘学习器的目标是学习纳什均衡(NE)策略,以有效地解决游戏。此外,真实世界的地图数据,与一个实用的微观移动模型,用于模拟。结果表明,所提出的以用户为中心的方法可以提供显着的性能在VENs。此外,所提出的MARL解决方案提供了接近最佳的性能,在上行链路中的分布式随机接入的情况下,具有约3%的冲突概率。
2021-10-14 cs.DC cs.MA cs.NI
PsPIN: A high-performance low-power architecture for flexible in-network compute
将数据和控制任务卸载到网络的能力变得越来越重要,特别是当我们考虑到与CPU频率相比网络速度的快速增长时。网络内计算通过直接在网络中运行任务来减轻主机CPU负载,从而实现额外的计算/通信重叠,并可能提高整体应用程序性能。然而,维持由下一代网络提供的带宽,400 Gbit/s,可能会成为一个挑战。sPIN是用于NIC内计算的编程模型,其中用户为属于给定消息或流的每个传入数据包指定在NIC上执行的处理程序函数。它实现了类似CUDA的加速,其中NIC配备了并行处理网络数据包的轻量级处理元件。我们研究了sPIN NIC应提供的架构特性,以实现高性能、低功耗和灵活的数据包处理。我们介绍PsPIN,第一个开源的sPIN实现,基于多集群RISC-V架构,并根据确定的架构专业设计。我们调查的PsPIN的性能与周期精确的模拟,表明它可以处理数据包在400 Gbit/s的几种使用情况下,引入最小的延迟(26 ns的64 B包),并占用18.5 mm 2(22 nm FDSOI)的总面积。
2021-06-01 cs.DC cs.NI
Performance Characteristics of the BlueField-2 SmartNIC
高性能计算(HPC)研究人员长期以来一直设想通过使用嵌入在网络结构中的可编程处理元件来改进应用工作流的场景。最近,供应商推出了可编程智能网络接口卡(SmartNetwork Interface Card,SmartNIC),使计算能够卸载到网络边缘。HPC和高性能数据分析社区都对了解这些设备在即将推出的系统的数据路径中可能发挥的作用非常感兴趣。本文重点介绍NVIDIA的新BlueField-2 SmartNIC在以太网环境中使用时的网络和计算特性。对于网络评估,我们在位于主机、SmartNIC和远程主机的处理器之间进行了多次传输实验。这些测试说明在传输过程中SmartNIC上有多少处理余量可用。对于计算评估,我们使用stress-ng基准测试将BlueField-2与其他服务器进行比较,并对适合硬件的卸载操作类型设置实际界限。我们的研究结果表明,虽然BlueField-2提供了一种在网络边缘处理数据的灵活方法,但必须非常小心,不要压倒硬件。虽然主机很容易使网络链路饱和,但SmartNIC的嵌入式处理器可能没有足够的计算资源来维持使用内核空间数据包处理时预期带宽的一半以上。从计算的角度来看,SmartNIC上的加密操作、争用下的内存操作和卡上IPC操作的性能明显优于我们实验中用于比较的通用服务器。因此,主要关注这些操作的应用程序可能是卸载到SmartNIC的良好候选者。
2021-05-14 cs.NI cs.PF
Analytical Modeling of Mode Selection and Power Control for Underlay D2D Communication in Cellular Networks
设备到设备(D2D)通信使得位于附近的用户设备(UE)能够绕过蜂窝基站(BS)并直接彼此连接,从而从蜂窝基础设施卸载业务。D2D通信可以提高蜂窝网络中的空间频率重用和能量效率。本文提出了一个全面的和易于处理的分析框架D2D使能的上行链路蜂窝网络与灵活的模式选择方案,以及截断信道反转功率控制。与仅基于D2D链路距离(即,使用D2D通信模式的两个UE之间的距离),所提出的用于UE的模式选择方案考虑了D2D链路距离和蜂窝链路距离(即,UE和BS之间的距离)。所开发的框架用于分析和理解底层D2D通信如何影响蜂窝网络性能。通过全面的数值分析,我们研究了预期的性能增益,并为选择网络参数提供指导。
2014-05-12 cs.NI
Computation Resource Allocation for Heterogeneous Time-Critical IoT Services in MEC
移动边缘计算(MEC)是在短延迟内处理新兴物联网(IoT)用例的计算密集型任务的有前途的解决方案之一,例如,虚拟现实(VR)、增强现实(AR)、自动驾驶车辆。由于MEC系统中异构服务的共存,任务到达间隔和所需的执行时间可以根据服务而变化。在边缘服务器(ES)上调度具有随机到达和运行时间的服务的计算资源是一个挑战。本文提出了一种在用户和ES之间进行灵活计算卸载的框架,并在此框架基础上提出了一种基于Lyapunov的算法,为ES上的异构时间关键服务动态分配计算资源。该算法在不需要任何关于任务到达过程和所需运行时间的先验知识的情况下,最小化了平均超时概率。数值实验结果表明,与ES中使用的标准排队模型相比,该算法实现了至少35%的超时概率降低,并且在各种场景下计算资源的利用效率接近于无因排队模型。
2020-02-12 cs.NI
ViTMAlis: Towards Latency-Critical Mobile Video Analytics with Vision Transformers
School of Computing Science, Simon Fraser University(计算科学系,西蒙·弗雷泽大学);Global College, Shanghai Jiao Tong University(全球学院,上海交通大学);School of Science and Engineering (SSE) and The Future Network of Intelligence Institute (FNii), The Chinese University of Hong Kong, Shenzhen(科学与工程学院(SSE)和未来智能网络研究所(FNii),香港中文大学(深圳));Computer Science Department, University of Illinois Urbana-Champaign(计算机科学系,伊利诺伊大学厄巴纳-香槟分校)
ViTMAlis通过动态混合分辨率推理策略和设备到边缘卸载框架,降低移动视频分析的延迟并提升渲染精度。
2026-01-29 cs.CV cs.MM cs.NI
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
Chameleons on Cloudlets: Elastic Edge Computing Through Microservice Variants
边缘计算的常见部署模型基于卸载到cloudlet的(可组合)微服务。网络适配-响应变化的负载、QoS实现、移动性等-通常基于粗粒度和高成本的管理操作,例如资源重新分配或迁移。然而,服务本身仍然是非自适应的,与云计算相比,边缘计算已经有限的弹性更加恶化。边缘计算应用程序通常对执行时间有严格的要求,但在计算质量方面是灵活的。利用这一权衡的潜在好处仍未得到利用。本文介绍了自适应微服务的概念,它提供了特定功能的替代变体。我们定义了所谓的服务变体,这些变体与我们的服务变体不同。服务的内部功能,表现在它们使用的不同算法、参数和辅助数据中。这样的变型允许QoS(例如,最大容许执行时间)和计算质量。我们将自适应微服务集成到边缘计算框架中,展示了服务变体的实际影响,并提出了在运行时切换变体的策略。
2021-05-19 cs.DC cs.NI
UAV-Enabled Wireless-Powered Underground Communication Networks: A Novel Time Allocation Approach
本文提出无人机使能的无线供电地下通信网络系统,通过混合无线能量传输与时间分配优化,在满足吞吐量和数据卸载要求下最小化无人机能耗,实现可持续地下监测。
2025-07-19 cs.NI cs.SY eess.SY
End-to-End O-RAN Testbed for Edge-AI-Enabled 5G/6G Connected Industrial Robotics
本文提出一个基于5G/6G O-RAN的端到端测试平台,用于支持边缘AI即服务的工业机器人应用,通过自主焊接场景验证数据采集、边缘处理和实时流处理的权衡。
2026-03-13 cs.NI cs.RO
Dynamic Multi-time Scale User Admission and Resource Allocation for Semantic Extraction in MEC Systems
本文针对MEC系统中语义提取任务的动态到达特性,提出一种基于Lyapunov优化的多时间尺度用户准入与资源分配算法,实现系统收益与成本的灵活权衡。
2023-07-06 cs.NI eess.SP
HERMES: Heterogeneous Application-Enabled Routing Middleware for Edge-IoT Systems
INESC INOV, Instituto Superior Técnico, Universidade de Lisboa(葡萄牙创新科学与工程研究所、里斯本高等理工学院、里斯本大学)
HERMES提出一种面向边缘-IoT系统的异构应用增强路由中间件,通过动态整合应用感知决策提升路由灵活性,验证了其在边缘智能任务中的有效性。
2025-12-08 cs.NE cs.NI
Towards Big data processing in IoT: Path Planning and Resource Management of UAV Base Stations in Mobile-Edge Computing System
数据负载大、覆盖范围广一直是物联网在线数据处理的关键问题。最近,移动边缘计算(MEC)和无人机基站(UAV-BS)已经成为物联网中有前途的技术。本文提出了一种基于MEC技术的三层在线数据处理网络。在底层,原始数据由广泛分布的传感器生成,反映了本地信息。在它们上面,无人机基站(UAV-BS)被部署为移动MEC服务器,收集数据并进行数据处理的初始步骤。在它们之上,中心云接收处理结果并进行进一步评估。由于这是一个在线数据处理系统,边缘节点应该稳定延迟,以确保数据的新鲜度。此外,有限的机载能量对边缘处理能力造成限制。为了智能地管理网络资源以节省能量和稳定延迟,我们开发了一种基于李雅普诺夫优化的在线确定策略。在低数据率的情况下,倾向于降低边缘处理器频率以节省能量。在存在高数据率的情况下,它将智能地分配用于边缘数据卸载的带宽。同时,悬停式无人机基站带来了大范围、灵活的服务覆盖,这就带来了有效的路径规划问题。在本文中,我们应用深度强化学习,并开发了一个在线路径规划算法。以周围环境的观察作为输入,训练CNN网络来预测每个动作的奖励。通过仿真,我们验证了它在提高服务覆盖率的有效性。其结果将有助于未来物联网中的大数据处理。
2019-06-12 cs.IT cs.NI cs.SY
Massive Access in Cell-Free Massive MIMO-Based Internet of Things: Cloud Computing and Edge Computing Paradigms
研究了基于无小区的大规模多输入多输出(MIMO)物联网中的大规模接入问题,解决了具有挑战性的主动用户检测(AUD)和信道估计(CE)问题。对于上行链路传输,我们提出了一种先进的帧结构设计,以减少接入延迟。此外,通过考虑所有接入点(AP)的合作,我们研究了两种处理范式在接收器的大规模访问:云计算和边缘计算。对于云计算,所有AP连接到中央处理单元(CPU),并且在所有AP处接收的信号在CPU处集中处理。而对于边缘计算,中央处理被卸载到配备有分布式处理单元的部分AP,使得AUD和CE可以在分布式处理策略中执行。此外,通过利用信道矩阵的结构化稀疏性,我们开发了一种基于结构化稀疏性的广义近似消息传递(SS-GAMP)算法,用于可靠的联合AUD和CE,其中考虑了处理信号的量化精度。在SS-GAMP算法的基础上,进一步提出了一种基于连续干扰消除的AUD和CE方案,用于减少接入延迟。仿真结果验证了所提出的方法的优越性比国家的最先进的基线计划。结果表明,边缘计算可以实现与云计算相似的海量访问性能,并且边缘计算能够减轻CPU负担,具有更快的访问响应,支持更灵活的AP协作。
2020-07-22 cs.IT cs.NI eess.SP
Progressive Semantic Communication for Efficient Edge-Cloud Vision-Language Models
Informatics Institute, University of Amsterdam(阿姆斯特丹大学信息学院);Open-EP Community(开放EP社区)
本文提出渐进式语义通信框架,通过Meta AutoEncoder压缩视觉token,实现灵活的边缘-云VLM部署,减少网络延迟并保持语义一致性。
2026-08-12 cs.AI cs.CV cs.DC