QoE-Driven Multi-Task Offloading for Semantic-Aware Edge Computing Systems
Shenzhen University(深圳大学);Zhejiang University of Technology(浙江工业大学);University of Surrey(萨里大学);Sun Yat-sen University(中山大学);University of Glasgow(格拉斯哥大学)
本文提出语义感知的多任务卸载框架,通过优化资源分配提升边缘计算系统的用户体验。
2026-02-12 cs.NI eess.SP
Joint Task Offloading and Resource Allocation for Multi-Server Mobile-Edge Computing Networks
移动边缘计算(MEC)是一种新兴的范例,其向无线接入网络的边缘提供云计算能力的毛细分布,从而使丰富的服务和应用能够靠近最终用户。在这篇文章中,MEC使能的多小区无线网络被认为是每个基站(BS)配备有MEC服务器,可以帮助移动用户执行计算密集型任务,通过任务卸载。研究了联合任务卸载和资源分配(JTORA)问题,以最大化用户的任务卸载收益为目标,通过减少任务完成时间和能量消耗来衡量。所考虑的问题被制定为一个混合的非线性规划(MINLP),涉及联合优化的任务卸载决策,移动用户的上行链路传输功率,并计算资源分配在MEC服务器。由于该问题的NP-困难性,求解最优解对于大规模网络是困难的和不切实际的。为了克服这个缺点,我们的方法是分解成(i)一个资源分配(RA)问题与固定的任务卸载决策和(ii)任务卸载(TO)问题,优化的最佳价值函数对应的RA问题。我们使用凸和准凸优化技术解决RA问题,并提出了一种新的启发式算法,在多项式时间内实现次优解的TO问题。数值模拟结果表明,该算法性能接近最优解,并显着提高了用户的卸载效用比传统的方法。
2017-05-01 cs.NI
Matching-based Service Offloading for Compute-less Driven IoT Networks
随着物联网(IoT)和5G网络的出现,边缘计算为商业模式和用例创新提供了新的机会。服务提供商现在可以在数据中心之外虚拟化云,以满足延迟、数据主权、可靠性和互操作性要求。然而,许多新的应用程序(例如,增强现实、虚拟现实、人工智能)是计算密集型和延迟敏感型的。这些应用程序被大量调用,具有可能导致相同输出的类似输入。无计算网络旨在实现具有最小计算量和通信量的网络。这可以通过将流行服务卸载到边缘来实现,从而最大限度地减少核心网络中的通信,并使用计算重用概念消除冗余计算。在本文中,我们提出了基于匹配的服务卸载方案,用于无计算物联网网络。我们采用匹配理论来匹配服务卸载到合适的边缘服务器。具体来说,我们设计,WHISTLE,一个垂直的多对多卸载方案,旨在卸载调用最多,高度可重用的服务到适当的边缘服务器。我们进一步扩展了WHISTLE,以在边缘服务器之间提供水平的一对多计算重用共享,从而减少了返回到云的计算。我们用真实世界的数据集评估了WHISTLE的效率和有效性。实验结果表明,WHISTLE算法可以使任务完成时间缩短20%,计算量减少77%,通信量减少71%。理论分析也证明了所设计方案的稳定性。
2022-01-11 cs.NI
Edge Cloud Offloading Algorithms: Issues, Methods, and Perspectives
支持“物联网”(IoT)的移动设备通常在计算、电池能量和存储空间方面具有有限的能力,特别是支持涉及虚拟现实(VR)、增强现实(AR)、多媒体交付和人工智能(AI)的资源密集型应用,这可能需要宽带宽、低响应延迟和大计算能力。边缘云或边缘计算是一种新兴的主题和技术,可以解决当前仅集中式云计算模型的不足,并将计算和存储资源移动到更靠近设备的位置,以支持上述应用。为了实现这一点,需要有效的协调机制和“卸载”算法,以允许移动设备和边缘云顺利地协同工作。在这篇调查论文中,我们调查了与卸载问题相关的关键问题、方法和各种最先进的努力。我们采用了一种新的特征化模型来研究从移动设备到边缘云的整个卸载过程。通过全面的讨论,我们的目标是对现有的努力和研究方向绘制一个整体的“大画面”。我们的研究还表明,边缘云中的卸载算法在未来的技术和应用开发中表现出了巨大的潜力。
2018-06-16 cs.NI
UAV Virtual Antenna Array Deployment for Uplink Interference Mitigation in Data Collection Networks
针对无人机空对地通信易干扰地面网络的问题,提出基于协同波束成形的上行干扰抑制方案,联合优化多参数构建多目标优化问题,用改进的CNSGA-II求解,可同时降低干扰、提升传输与能量效率。
2024-12-09 cs.NE cs.NI
Energy-Efficient Offloading in Delay-Constrained Massive MIMO Enabled Edge Network Using Data Partitioning
我们研究了一种无线边缘计算系统,该系统允许多个用户同时将计算密集型任务卸载到多个MIMO接入点,每个接入点都有一个并置的多访问边缘计算(MEC)服务器。Massive-MIMO使所有用户能够同时进行上行传输,与顺序协议相比,大大缩短了数据卸载时间,并使数据卸载、计算和下载的三个阶段具有可比的持续时间。基于这三个阶段的结构,我们制定了一个新的问题,以最大限度地减少在往返延迟约束下的用户和MEC服务器的能源消耗的加权和,在用户和服务器端的数据分区,发射功率控制和CPU频率缩放的组合。我们设计了一个新的嵌套原始-对偶算法,使用两种不同的方法来有效地解决这个问题。优化的解决方案表明,对于较大的请求,更多的数据被卸载到MEC,以减少本地计算时间,以满足延迟约束,尽管无线传输的能量成本较高。导频污染下的大规模MIMO信道估计误差也导致更多的数据被卸载到MEC。与二进制卸载相比,使用数据分区的部分卸载更优越,并且导致整体能耗的显著降低。
2020-05-13 cs.NI eess.SP math.OC
Scaling Migrations and Replications of Virtual Network Functions based on Network Traffic Forecasting
虚拟网络功能(VNF)的迁移和复制是在互联网服务提供商(ISP)边缘网络中面对动态资源请求的公知机制。它们不仅用于重新分配运营商网络中的资源,而且在流量过度波动的情况下,还可以将VNF卸载到第三方云提供商。我们建议研究如何流量预测可以帮助减少所需的迁移和复制的数量时,流量动态变化的网络。我们分析和比较VNF迁移和复制的三种场景:(i)仅当前观察到的流量需求,(ii)过去观察到的特定最大流量需求值,或(iii)预测流量值。对于交通需求值的预测,我们使用LSTM模型,该模型被证明是时间序列预测问题中最准确的方法之一。在流量预测模型的基础上,采用混合线性规划(MILP)模型和贪心算法来求解考虑VNF迁移和复制的优化问题。结果表明,当有足够的可用资源分配副本时,基于LSTM的流量预测可以将迁移次数减少45%,而与过度配置相比,基于云的卸载需要更少。
2021-05-11 cs.NI
Autonomous Task Offloading of Vehicular Edge Computing with Parallel Computation Queues
University of California, Los Angeles(加州大学洛杉矶分校);Korea University(高丽大学)
本文提出了一种基于网络合作平衡资源利用率和负载拥堵的自主任务卸载方法,通过理论和数值分析证明其在 vehicular edge computing 中能有效减少总体等待延迟。
2025-11-18 cs.NI
Energy-Efficient Resource Allocation for Mobile Edge Computing-Based Augmented Reality Applications
移动边缘计算是在移动设备上启用增强现实(AR)应用的供应解决方案。AR移动应用在上行链路的数据汇集、边缘计算和下行链路的数据传输方面具有固有的协作属性。在这封信中,利用这些功能,提出了一种新的资源分配方法,在通信和计算资源。通过连续凸近似(SCA)实现的方法,被认为是产生相当大的收益相比,传统的独立卸载用户的移动能耗。
2017-03-25 cs.NI
Computation Rate Maximization in Wireless Powered MEC with Spread Spectrum Multiple Access
移动边缘计算(MEC)和无线电力传输(WPT)技术的集成最近已经成为延长电池寿命和提高无线设备计算能力的有效解决方案。本文研究了多用户无线供电MEC系统中的资源分配问题,其中用户通过直接序列码分多址(DS-CDMA)共享无线信道。特别是,我们感兴趣的是联合优化的任务卸载决策和资源分配,最大限度地提高加权和计算速度的所有用户在网络中。该优化问题是一个混合整数非线性规划问题。对于一个给定的卸载用户集,我们实现了一个有效的分数规划(FP)的方法来减轻多用户干扰的上行链路任务卸载。在此基础上,我们提出了一种随机局部搜索算法来优化卸载决策。仿真结果表明,与其他典型的基准方法相比,该方法能有效提高扩频多址无线供电MEC的计算性能。
2020-02-24 cs.NI eess.SP
Beacon based uplink transmission for lorawan direct to satellite internet of things
本文提出BU-LoRaWAN方案,利用LoRaWAN B类同步机制和时隙调度优化星地上行传输,经OMNeT与FLoRaSat仿真验证,其交付流量约为标准LoRaWAN的两倍。
2024-09-30 cs.NI eess.SP
CloudEmu: A Trace-Driven Cloud-Native Emulation Testbed for Vehicle Video Uplink over Cellular Networks
Network Service Systems Labs., NTT, Inc.(NTT公司网络服务系统实验室)
本文提出CloudEmu,一种基于跟踪的云原生车辆视频上行链路仿真测试平台,结合了跟踪驱动回放的精确性和云原生技术的敏捷性,实现了可重复、路线感知的实验。
2026-05-11 cs.NI
Indoor Neutral-Host Networks Over Shared Spectrum and Shared Infrastructure: A Comparison Study of Real-World Deployments
University of Notre Dame(圣母大学);Celona, Inc.(Celona公司)
本研究比较了中性主机网络与传统4G/5G宏网络及Wi-Fi的性能,发现NH网络在室内RSRP、下行吞吐量和上行效率上表现更优,但上行吞吐量和延迟略逊于Wi-Fi。
2026-01-16 cs.NI
Joint Computation Offloading, SFC Placement, and Resource Allocation for Multi-Site MEC Systems
网络功能虚拟化(NFV)和移动边缘计算(MEC)是支持对资源要求高的移动应用的有前景的5G技术。在NFV中,必须处理服务功能链(SFC),其中必须以特定顺序执行一组网络功能。此外,MEC技术使得能够将服务请求从移动用户计算卸载到远程服务器,以潜在地减少移动应用的能量消耗和处理延迟。本文研究了多站点MEC系统中计算卸载、资源分配和SFC布局的优化问题。我们的设计目标是最小化加权归一化能量消耗和计算成本的最大可容忍延迟约束。为了解决潜在的混合整数和非线性优化问题,我们采用分解方法,其中我们迭代地优化计算卸载、SFC放置和计算资源分配以获得有效的解决方案。数值结果表明,不同的参数对系统性能的影响和性能的优越性,所提出的算法相比,基准算法。
2020-03-28 cs.DC cs.NI
Bi-Directional Mission Offloading for Agile Space-Air-Ground Integrated Networks
空-地-空综合网络(SAGIN)在扩展地面无线网络能力方面具有很大的优势。另一方面,地面网络拥有丰富的频谱和计算资源,也可以协助空天网络完成资源密集型或耗电量大的任务,增强空天网络的能力和可持续性。因此,双向任务卸载可以充分利用SAGIN的优势,使空-地网络都受益。在这篇文章中,我们确定了网络重构在协调SAGIN中的异构资源的关键作用,并研究了网络功能虚拟化(NFV)和服务功能链(SFC)如何实现敏捷的任务卸载。最后通过实例验证了双向任务卸载带来的性能增益。展望了未来的研究问题,双向任务卸载框架开辟了一条新的道路,在释放SAGIN的全部潜力。
2019-02-11 cs.IT cs.NI math.IT
Heterogeneous Services Provisioning in Small Cell Networks with Cache and Mobile Edge Computing
在支持全双工(FD)的小型小区网络的领域中,在考虑高速缓存和移动边缘通信(MEC)方面已经进行了有限的工作。在本文中,一个虚拟的FD使能的小小区网络与缓存和MEC的两个异构服务,高数据速率服务和计算敏感的服务。在我们提出的方案中,内容缓存和FD通信紧密结合,提供高数据速率的服务,而无需回程资源的成本。通过计算卸载来保证用户的时延需求。然后,我们制定了一个虚拟的资源分配问题,其中用户关联,功率控制,缓存和计算卸载策略和资源分配共同考虑。由于原问题是一个混合的组合问题,必要的变量松弛和重新制定进行原问题转化为一个凸问题。采用交替方向乘子法(ADMM)算法求解最优解。最后,在不同的系统配置下进行了大量的仿真,以验证所提出的方案的有效性。
2017-06-29 cs.NI
VSDM: A Virtual Service Device Management Scheme for UPnP-Based IoT Networks
物联网设备无处不在的特性为计算和通信范式带来了新的令人兴奋的应用。由于其能够在物联网设备、普适应用程序和远程客户端之间实现自动配置的通信,通用即插即用(UPnP)协议的使用非常广泛。然而,UPnP的广告和发现机制在资源受限的IoT设备上产生了显著的开销。在本文中,我们提出了一种基于委托的方法,该方法通过将服务广告和发现相关开销从资源有限的物联网设备卸载到启用UPnP的物联网网络的资源丰富的邻居来扩展UPnP协议。我们的实验评估表明,该方案显示出显着的改进,基本的UPPENDIX,降低能耗和网络开销。
2020-11-04 cs.NI
Joint Task Offloading and Routing in Wireless Multi-hop Networks Using Biased Backpressure Algorithm
针对无线多跳网络中的计算卸载,提出基于有偏背压算法的联合卸载与路由方法,通过扩展图建模并动态调整路由,在大型网络中实现更小的完工时间。
2025-01-24 cs.DC cs.NI eess.SP
Energy Efficient Virtual Machine Services Placement in Cloud-Fog Architecture
数据量和处理请求的激增需要一种新的按需计算。雾计算通过将处理和存储资源扩展到网络边缘来解决云计算的局限性。云计算和雾计算采用虚拟机(VM)来实现高效的资源利用。为了优化虚拟环境,可以在地理分布的物理机器上迁移或复制VM,以实现负载均衡和能效。在这项工作中,我们调查卸载的VM服务从云到雾考虑英国电信(BT)的网络拓扑结构。该分析解决了不同因素的影响,包括虚拟机工作负载和雾节点与用户的接近程度,考虑到最先进的应用程序的数据率。结果表明,虚拟机的最佳位置显着降低了高达75%的总功耗相比,一个单一的云放置。
2019-04-23 cs.NI
Offloading Content with Self-organizing Mobile Fogs
城市环境中的移动用户从不同位置访问互联网上的内容。对于当前的服务提供商来说,应对来自大量并置移动用户的不断增长的内容需求是具有挑战性的。网络内缓存在更接近用户的节点上卸载内容缓解了这个问题,尽管需要有效的缓存管理来找出谁应该在城市环境中缓存什么,何时何地,给定节点有限的计算,通信和缓存资源。为了解决这个问题,我们首先定义了一个新的内容流行度和网络中的可用性之间的关系,并调查一个节点的资格缓存内容的基础上,其城市的可达性。然后,我们允许节点自组织成移动雾,以增加分布式缓存,并以具有成本效益的方式最大限度地提高内容的可用性。然而,为了迎合理性的节点,我们提出了一个联盟游戏的节点提供一个最大的“虚拟缓存”假设货币奖励支付给他们的服务/内容提供方。节点被允许合并到不同的时空联盟,以增加在网络边缘的分布式缓存大小。通过模拟使用现实的城市流动性跟踪得到的结果验证我们的缓存系统的性能,显示缓存命中率为60-85%相比,现有的计划和10%的情况下,没有联盟的30-40%。
2017-07-19 cs.NI
Mobile Edge Computing via a UAV-Mounted Cloudlet: Optimization of Bit Allocation and Path Planning
无人机(UAV)最近被认为是在具有有限基础设施或没有基础设施的无线系统中向移动用户(MU)提供增强覆盖或中继服务的手段。研究了一种基于无人机的移动云计算系统,该系统通过赋予移动无人机计算能力,为本地处理能力有限的MU提供计算卸载机会。该系统旨在最小化总的移动能量消耗,同时满足卸载的移动应用的服务质量要求。卸载通过移动设备和UAV之间的上行链路和下行链路通信来实现,所述上行链路和下行链路通信借助于频分双工(FDD)经由正交或非正交多址(NOMA)方案来进行。联合优化上行链路和下行链路通信的比特分配以及在UAV处的计算的问题,以及在延迟和UAV的能量预算约束下的微云的轨迹,通过利用连续凸近似(SCA)策略来制定和解决。数值结果表明,可以通过所提出的联合优化的比特分配和微云的轨迹相比,本地移动执行,以及部分优化方法,只设计的比特分配或微云的轨迹,可以累计显着的节能。
2017-05-18 cs.IT cs.NI math.IT
On Jointly Optimizing Partial Offloading and SFC Mapping: A Cooperative Dual-agent Deep Reinforcement Learning Approach
Southwest Jiaotong University(西南交通大学)
多接入边缘计算(MEC)和网络功能虚拟化(NFV)是支持新兴物联网应用的有前途的技术,特别是那些计算密集型应用。在支持NFV的MEC环境中,服务功能链(SFC),即,一组有序的虚拟网络功能(VNF)可以被映射到MEC服务器上。移动设备(MD)可以将计算密集型应用(可以由SFC表示)全部或部分卸载到MEC服务器以供远程执行。本文研究了支持NFV的MEC系统中的部分卸载和SFC映射联合优化(POSMJO)问题,其中传入任务可以划分为两部分,一部分用于本地执行,另一部分用于远程执行。目标是最大限度地减少长期的平均成本,这是执行延迟,MD的能耗和边缘计算的使用费用的组合。该问题包括两个密切相关的决策步骤,即任务划分和VNF放置,这是非常复杂和具有挑战性的。为了解决这个问题,我们提出了一个合作的双代理深度强化学习(CDADRL)算法,在那里我们设计了一个框架,使两个代理之间的互动。仿真结果表明,该算法在累积和平均情节奖励方面优于三种深度强化学习算法组合,在执行延迟、能耗和使用费用方面优于许多基线算法。
2022-05-20 cs.AI cs.LG cs.NI
Cost-Effective Task Offloading Scheduling for Hybrid Mobile Edge-Quantum Computing
针对混合移动边缘-量子计算中的可持续任务卸载调度问题,提出基于深度强化学习的Lyapunov方法,将时间耦合挑战转化为混合整数优化问题,并分别利用DQN和DDPG算法进行模式选择与部分任务卸载决策,实验证明该方法具有更高的性价比和可持续性。
2023-06-26 cs.NI cs.SY eess.SY
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
Secure Virtual Mobile Small Cells: A Stepping Stone Towards 6G
随着第五代研究进入尾声,研究界必须超越5G,展望2030年的连接前景,即6G。在这种情况下,这项工作通过提出下一代通信平台向6G愿景迈出了一步,该平台旨在通过考虑按需创建的虚拟移动小小区(MSC)来扩展固定部署网络的刚性覆盖区域。依靠诸如NFV(网络功能虚拟化)和SDN(软件定义网络)之类的新兴计算范例,这些小区可以在本地利用无线电和网络能力,从而减少协议信令延迟和开销。这些MSC构成联网资源的智能池,其可以协作以形成MSC的无线网络,该MSC的无线网络提供用于本地化的、无处不在的和可靠的连接的通信平台。还从虚拟化、轻量级无线安全和节能RF等方面讨论了实现MSC概念的技术推动因素。MSC架构对可靠和有效的小区卸载的益处被证明为用例。
2021-05-04 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
UplinkNet: Practical Commercial 5G Standalone (SA) Uplink Throughput Prediction
Department of Computer Science and Communications Engineering, Waseda University(计算机科学与通讯工程系,早稻田大学)
UplinkNet通过Android API数据预测5G上行吞吐量,实现98.9%的高准确率和低计算成本。
2025-11-20 cs.LG cs.NI eess.SP
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
Sequential Task Assignment and Resource Allocation in V2X-Enabled Mobile Edge Computing
针对V2X赋能的移动边缘计算中具有顺序子任务的应用,提出一种多层任务卸载机制,通过联合优化任务卸载决策、通信和计算资源分配,在满足时延要求下最小化能耗,并设计分层优化框架和子信道分配方案,实验表明平均能耗降低至少15%。
2026-05-26 cs.NI eess.SP
Architecture and Performance Evaluation of Distributed Computation Offloading in Edge Computing
边缘计算是一种新兴的范例,可以实现低延迟应用程序,如移动增强现实,因为它在更接近用户的处理设备上进行计算。另一方面,云系统对无状态任务的高度可扩展执行的需求正在推动基于无服务器计算的新技术的定义。在本文中,我们提出了一种新的架构,其中两个收敛,使低延迟的应用程序:这是通过卸载短期无状态任务从用户终端到边缘节点。此外,我们设计了一个分布式算法,解决了选择最佳执行器的研究挑战,基于实时测量和简单,但有效的预测算法。最后,我们描述了一个新的性能评估框架,专门设计用于精确评估边缘计算环境中的算法和协议,其中节点可能具有非常异构的网络和处理能力。所提出的框架依赖于使用真实的组件与模拟计算混合的轻量级虚拟化,非常适合于几个应用程序和网络环境的分析。使用我们的框架,我们在小型和大型边缘计算场景中评估了我们提出的架构和算法,表明我们的解决方案实现了与集中式解决方案相似或更好的延迟性能,网络利用率要低得多。
2021-09-20 cs.DC 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
Combinatorial Client-Master Multiagent Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing
针对移动边缘计算中任务卸载的资源约束问题,提出组合式客户端-主服务器多智能体深度强化学习算法CCM_MADRL_MEC,首次同时考虑用户设备与服务器存储约束,通过组合动作选择实现更优收敛。
2024-11-06 cs.AI cs.DC cs.NI
Efficient Task Offloading Algorithm for Digital Twin in Edge/Cloud Computing Environment
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对异构 MEC/MCC 环境下数字孪生由多数据源维护的任务卸载问题,提出基于 DDL 的卸载方案,显著降低平均时延与能耗。
2023-07-13 cs.DC cs.LG cs.NI
Mobile Cloud Computing with a UAV-Mounted Cloudlet: Optimal Bit Allocation for Communication and Computation
移动云计算通过将计算任务从移动设备卸载到远程处理器,缓解了计算密集型移动应用程序和电池受限的移动设备之间的紧张关系。本文考虑了一个移动云计算的情况下,“小云”处理器,提供卸载的机会,移动设备安装在无人机(UAV),以提高覆盖范围。针对移动台与无人机之间采用频分复用的时隙通信系统,对移动台在上行链路中向无人机发送的输入比特数、无人机处微云处理的输入比特数通过最大时延下的对偶分解,限制,目的是最小化移动能耗。数值结果揭示了一个优化的位分配,以使显着的能源节约相比,严格的延迟约束的本地移动执行的至关重要的。
2017-05-18 cs.IT cs.NI math.IT
A flexible algorithm to offload DAG applications for edge computing
本文研究边缘计算中DAG应用划分与卸载的NP-hard问题,提出FlexDO算法,结合贪心与排列阶段寻找最短完成时间的卸载决策,实验表明其性能显著优于基线方案且接近最优。
2023-06-15 cs.NI
Virtual Reality in Metaverse over Wireless Networks with User-centered Deep Reinforcement Learning
Nanyang Technological University(南洋理工大学)
Metaverse及其承诺正在迅速成为现实,因为成熟的技术正在赋予不同的方面。Metaverse的亮点之一是它提供了高度沉浸式和交互式社交的可能性。虚拟现实(VR)技术是Metaverse中虚拟宇宙的支柱,因为它们能够实现超现实和沉浸式体验,尤其是在社交环境中。由于要渲染的虚拟世界3D场景具有高分辨率和帧速率,因此这些场景将被卸载到边缘服务器进行计算。此外,虚拟实境是以用户为中心的设计,人类用户始终是核心。在这项工作中,我们介绍了一个多用户VR计算卸载无线通信的情况下。此外,我们设计了一种新的以用户为中心的深度强化学习方法来找到一个接近最优的解决方案。大量的实验表明,我们的方法可以导致显着的结果在各种要求和约束。
2023-03-08 cs.AI cs.NI
Control-Data Separation with Decentralized Edge Control in Fog-Assisted Uplink Communications
用于5G系统的雾辅助网络架构包括被称为远程无线电系统(RRS)的无线边缘节点,以及经由前传接入网络连接到RRS的远程云中心(RCC)处理器。RRS和RCC通过网络功能虚拟化(NFV)进行操作,从而实现灵活的网络功能拆分,以适应前传延迟和容量等网络参数。这项工作的重点是上行链路通信和调查的云边缘分配的两个重要的网络功能,即速率选择的控制功能和解码的数据平面功能。考虑了三个功能划分:(i)分布式无线电接入网络(D-RAN),其中两个功能都以分散的方式在RRS处实现,(ii)云RAN(C-RAN),其中两个功能都在RCC处集中执行,以及(iii)新的功能划分,称为雾RAN(F-RAN),具有单独的分散的边缘控制和集中的云数据处理。所研究的模型包括一个随时间变化的上行链路信道,其中RCC具有全局但延迟的信道状态信息(CSI),由于前传延迟,而RRS具有本地但更及时的CSI。使用自适应和速率作为性能标准,得出的结论是,F-RAN架构可以提供显着的增益,在用户移动性的存在。
2017-06-21 cs.IT cs.NI math.IT
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
Energy-Efficient Deadline-Aware Edge Computing: Bandit Learning with Partial Observations in Multi-Channel Systems
本文针对多接入边缘计算中多用户多信道任务卸载问题,提出基于上下文神经多臂赌博机的E2DA框架,仅利用部分观测信息在满足截止时间的同时最大化能量效率,并通过数值实验验证其接近最优的性能。
2023-08-12 cs.DC cs.IT cs.NI
Unleashing the Power of Mobile Cloud Computing using ThinkAir
智能手机近年来大受欢迎,变得越来越复杂和强大。因此,世界各地的开发人员正在构建越来越复杂的应用程序,这些应用程序需要越来越多的计算能力和能量。在本文中,我们提出了ThinkAir,一个框架,使开发人员可以简单地将他们的智能手机应用程序迁移到云。ThinkAir在云中利用智能手机虚拟化的概念,并提供方法级计算卸载。在以往工作的基础上,它侧重于服务器端的弹性和可扩展性,并通过使用多个虚拟机(VM)映像并行化方法执行来增强移动云计算的能力。我们使用一系列基准测试来评估系统,从简单的微基准测试到更复杂的应用程序。首先,我们表明,执行时间和能源消耗减少了两个数量级的N皇后难题和一个数量级的人脸检测和病毒扫描应用程序,使用云卸载。然后,我们表明,如果一个任务是并行的,用户可以请求多个虚拟机来执行它,这些虚拟机将动态提供。事实上,通过利用并行化,我们实现了对以前的应用程序的执行时间和能源消耗更大的减少。最后,我们使用一个内存消耗的图像组合器工具来证明,应用程序可以动态地请求具有更多计算能力的虚拟机,以满足其计算需求。
2011-05-16 cs.DC cs.NI cs.OS
Mobile Edge Computing Network Control: Tradeoff Between Delay and Cost
随着移动边缘计算(MEC)被广泛用于减轻终端用户设备上计算和交互密集型应用的计算负担,理解由此产生的延迟和性价比引起了人们的极大关注。虽然大多数现有的工作集中在单跳MEC网络中的单任务卸载,但下一代应用(例如,工业自动化、增强/虚拟现实)需要用于多跳MEC网络上多任务服务的动态配置的高级模型和算法。在这项工作中,我们利用动态云网络控制的最新进展,提供多跳MEC网络的性能的全面研究,解决多任务卸载,及时的数据包调度,联合计算和通信资源分配的关键问题。我们提出了一个完全分布式算法的基础上,李亚普诺夫控制理论,实现吞吐量最优性能的延迟和成本保证。仿真结果验证了我们的理论分析,并提供了有见地的指导原则之间的相互作用,在MEC网络中的通信和计算资源。
2022-04-20 cs.NI cs.SY eess.SY
Energy consumption assessment of a Virtual Reality Remote Rendering application over 5G networks
Fundación Vicomtech(Vicomtech基金会);Ikerlan Technology Research Center(Ikerlan技术研究中心)
本文针对5G环境下VR远程渲染的多组件能耗问题,提出软硬件结合的分层能耗监测方案,基于真实5G测试床和采用MoQ协议的CNF式VR渲染器开展多配置测试,揭示了能耗与性能的权衡关系。
2025-10-29 cs.MM cs.NI eess.IV
GenioSim: A Novel Simulation Platform for Edge Computing over Optical Networks
KTH Royal Institution of Technology(瑞典皇家理工学院);University of Naples Federico II(那不勒斯费德里科二世大学);Gran Sasso Science Institute(格兰萨索科学研究所)
本文提出GenioSim仿真平台,用于模拟光网络赋能的边缘基础设施,支持容器和虚拟机混合虚拟化,评估资源管理策略,为工业场景中的容量规划和任务卸载策略提供洞察。
2026-05-11 cs.NI cs.SE
Hybrid Policy Learning for Energy-Latency Tradeoff in MEC-Assisted VR Video Service
Southeast University(东南大学);Purple Mountain Laboratories(紫金山实验室)
虚拟现实(VR)有望从根本上改变广泛的行业领域以及人类与虚拟内容交互的方式。然而,尽管取得了前所未有的进步,但目前的网络和计算基础设施无法释放VR的全部潜力。在本文中,我们考虑通过移动边缘计算(MEC)网络提供无线多瓦片VR视频服务。主要目标是最小化系统延迟/能量消耗并达到其折衷。为此,我们首先将时变视图流行度转换为无模型马尔可夫链,以有效地捕获其动态特性。在联合评估MEC服务器和VR播放设备的缓存和计算能力之后,然后实施混合策略以协调动态缓存替换和确定性卸载,从而充分利用系统资源。底层的多目标问题被重新表述为一个部分可观测的马尔可夫决策过程,并提出了一个深度确定性的策略梯度算法迭代学习其解决方案,其中一个长短期记忆神经网络被嵌入到连续预测的动态不可观测的流行。仿真结果表明,所提出的方案在实现能源效率和延迟减少之间的权衡优于基线方法。
2021-04-02 cs.LG cs.NI
Learning Driven Elastic Task Multi-Connectivity Immersive Computing Systems
针对多连接多用户边缘计算VR系统的弹性任务卸载能效优化问题,提出集中式及分布式阶段策略梯度等方法,经真实网络与视频数据验证,CPPG相较IPPG显著降低延迟与能耗。
2025-05-19 cs.ET cs.MM cs.NI