Enhancing Mobile Data Offloading with Mobility Prediction and Prefetching
我们提出的程序，利用移动性预测和预取，以提高卸载流量从移动网络到WiFi热点，延迟容忍和延迟敏感的流量。我们评估的程序卸载流量的百分比，数据传输延迟，用于预取的缓存大小。评估认为经验测量，并显示各种参数如何影响的程序的性能，以及它们的鲁棒性的时间和吞吐量估计误差。
2013-06-13 cs.NI
Learning-based Sustainable Multi-User Computation Offloading for Mobile Edge-Quantum Computing
在本文中，提出了一种新的移动边缘量子计算（MEQC）范式，它将量子计算能力带到更接近移动用户的移动边缘网络（即，边缘设备）。首先，我们提出了一个MEQC系统模型，移动用户可以通过具有低温组件和容错方案的边缘服务器将计算任务卸载到可扩展的量子计算机。其次，我们证明了在经典和量子计算的最佳延迟和能量成本方面，在MEQC中获得部分卸载问题的集中式解决方案是NP难的。第三，我们提出了一种多智能体混合离散-连续深度强化学习，使用近端策略优化来学习长期可持续的卸载策略，而无需先验知识。实验结果表明，在不同的系统设置下，与现有的基线方案相比，该算法可以降低至少30%的成本。
2022-11-12 cs.NI
On Practical Aspects of Mobile Data Offloading to Wi-Fi Networks
蜂窝网络上的数据业务呈现出持续的指数增长，每年以一个数量级增长，并且已经超过了语音业务。数据业务需求的这种增长导致了对增强容量供应的解决方案的需求，由此，将业务卸载到Wi-Fi是可以增强实现容量的一种手段。尽管卸载到Wi-Fi网络多年来已经成熟，但运营商仍然面临着许多挑战。在本文中，我们对运营商在将数据流量卸载到Wi-Fi网络时所面临的实际挑战进行了调查。我们还提出了成功应对这些挑战的建议。
2015-08-08 cs.NI
Mobile Traffic Offloading with Forecasting using Deep Reinforcement Learning
随着移动业务需求的爆炸式增长，一种有前景的解决方案是将蜂窝业务卸载到小型基站以获得更好的系统效率。由于系统复杂性的增加，网络运营商正面临严峻的挑战，并在寻找基于机器学习的解决方案。在这项工作中，我们提出了一种能量感知的移动流量卸载方案在异构网络中联合应用深度Q网络（DQN）决策和先进的流量需求预测。基站控制模型是在一个主要电信运营商的开放数据集上训练和验证的。性能评估表明，基于DQN的方法优于其他在所有级别的移动业务需求。同时，在更高的业务需求下，准确的业务预测的优势更加显著。
2019-11-18 cs.NI
Selfish Computation Offloading for Mobile Cloud Computing in Dense Wireless Networks
将计算卸载到移动云是增强移动设备计算能力的有前途的解决方案。在本文中，我们认为自私的移动设备在密集的无线网络中，其中个人移动设备可以通过多个接入点（AP）的移动云卸载计算，以尽量减少他们的计算成本，我们提供了一个博弈论分析的问题。我们表明，在弹性云的情况下，所有的改进路径是有限的，因此存在一个纯策略纳什均衡，可以很容易地计算。在非弹性云的情况下，我们表明，改善路径可能会循环，但我们表明，存在一个纯纳什均衡，我们提供了一个有效的算法计算。此外，我们提供了一个上限的无政府代价（PoA）的游戏。我们使用模拟来评估计算纳什均衡的时间复杂度，并在现实的情况下提供见解的PoA。我们的研究结果表明，均衡成本可能接近最优，成本差异是由于太多的移动用户同时卸载。
2016-04-19 cs.NI
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
On Consideration of Content Preference and Sharing Willingness in D2D Assisted Offloading
设备到设备（D2D）辅助卸载在很大程度上取决于人类用户的参与。人类用户的内容偏好和共享意愿是D2D辅助卸载中的两个关键因素。在本文中，考虑到这两个因素，最佳的内容推送策略进行了研究，制定一个优化问题，以最大限度地提高卸载流量测量的卸载增益。根据用户的内容偏好将用户分组，并以不同的共享概率与组间和组内用户共享内容。虽然优化问题是非凸的，封闭形式的最优解的特殊情况下，组间和组内用户的共享概率是相同的。在此基础上，提出了一种替代群优化算法（AGO）来解决一般情况下的优化问题。最后，通过仿真实验验证了特殊情况下的最优推送策略和AGO算法的卸载性能。得出的一个有趣的结论是，具有最大数量的感兴趣的用户的组不一定被给予最高的推送概率。对分享意愿高的用户给予高推送概率更为重要。
2017-02-01 cs.NI
Efficient Radio Resource Management for Wireless Cellular Networks with Mobile Edge Computing
移动边缘计算（MEC）作为一种有前途的方法来增强移动设备的计算能力，引起了极大的兴趣。MEC范例中的一个重要问题是计算卸载。在本文中，我们提出了一个集成的框架，用于在无线蜂窝网络中使用移动边缘计算进行计算卸载和干扰管理。在该集成框架中，MEC服务器根据所有用户设备（UE）估计的本地计算开销和MEC服务器自身估计的卸载开销来做出卸载决策。然后，MEC服务器使用图着色来执行PRB分配。然后，卸载决定和PRB分配的结果用于将MEC服务器的计算资源分配给UE。仿真结果表明，该方案与不同的系统参数的有效性。
2017-06-28 cs.NI
Offloading Energy Efficiency with Delay Constraint for Cooperative Mobile Edge Computing Networks
我们提出了一种新的边缘计算网络架构，使边缘节点合作共享计算和无线电资源，以最大限度地减少移动用户的总能耗，同时满足他们的延迟要求。为了找到移动用户的最优任务卸载决策，我们首先制定联合任务卸载和资源分配优化问题作为一个混合整数非线性规划（MINLP）。优化涉及二进制（卸载决策）和实变量（资源分配），使其成为NP难和计算棘手的问题。为了规避，我们放松的二元决策变量转换MINLP到一个放松的优化问题与实变量。在证明了松弛问题是凸问题后，我们提出了两种解决方案，即ROP和IBBA。ROP是从内点法中引入的，IBBA是从分支定界算法中发展而来的。通过数值计算结果，我们表明，我们提出的方法允许最小化总能耗，并满足移动用户的所有延迟要求。
2018-11-30 cs.NI
Towards a Partial Computation offloading in In-networking Computing-Assisted MEC: A Digital Twin Approach
本文提出数字孪生赋能的分布式部分计算卸载框架，结合精确势博弈与 DDQN 联合优化卸载决策、比例及资源分配，以降低工业 IoT 在 C-MEC 中的时延并提升可靠性。
2024-04-08 cs.NI
Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing Systems
在移动边缘计算系统中，当大量移动设备将任务卸载到边缘节点时，边缘节点的负载可能会很高，这些被卸载的任务可能会经历很大的处理延迟，甚至在截止期限到期时被丢弃。由于边缘节点处的不确定负载动态，对于每个设备来说确定其卸载决策（即，是否卸载以及它应该将其任务卸载到哪个边缘节点）。在这项工作中，我们考虑不可分割的和延迟敏感的任务，以及边缘负载动态，并制定一个任务卸载问题，以尽量减少预期的长期成本。我们提出了一种基于无模型深度强化学习的分布式算法，其中每个设备可以在不知道其他设备的任务模型和卸载决策的情况下确定其卸载决策。为了改进算法中长期成本的估计，我们结合了长短期记忆（LSTM），决斗深度Q网络（DQN）和双DQN技术。对50台移动设备和5个边缘节点的仿真结果表明，与现有的几种算法相比，该算法可以降低86.4%~ 95.4%的任务丢失率和18.0%~ 30.1%的平均任务延迟.
2020-04-10 cs.NI
Hybrid Reinforcement Learning-based Sustainable Multi-User Computation Offloading for Mobile Edge-Quantum Computing
本文提出移动边缘量子计算（MEQC）范式，并设计混合离散-连续多智能体强化学习算法求解经典-量子混合计算卸载问题，实现时延与能耗成本降低多达30%。
2025-04-10 cs.NI
An Actor-Critic Reinforcement Learning Method for Computation Offloading with Delay Constraints in Mobile Edge Computing
在本文中，我们考虑了一个移动边缘计算系统，云服务器和边缘服务器协同提供计算服务。移动边缘计算既可以减少服务延迟，又可以减轻核心网的负载。我们将不同优先级服务的平均延迟约束下的系统平均收益最大化问题建模为一个约束半马尔可夫决策过程（SMDP）。我们提出了一个行动者-评论家算法的资格痕迹，以解决有约束的SMDP。利用神经网络对策略参数和状态值函数的参数进行训练，不断提高系统性能。
2019-01-30 cs.NI
ENGINE:Cost Effective Offloading in Mobile Edge Computing with Fog-Cloud Cooperation
移动边缘计算（MEC）作为一种利用云节点或雾节点将远程云计算扩展到网络边缘的新兴范例，被认为是下一代无线网络的关键技术。通过将计算密集型任务从资源受限的移动设备卸载到雾节点或远程云，可以节省移动设备的能量并且可以增强计算能力。对于雾节点，他们可以租用资源丰富的远程云来帮助他们处理来自移动设备的传入任务。在这种架构中，可以充分利用移动设备的短计算和计算延迟的好处。然而，现有的研究大多假设雾节点具有无限的计算能力，这是不实际的，特别是当雾节点也是能量受限的移动设备。为了提供雾节点的激励和降低移动设备的计算成本，我们提供了一个成本有效的卸载方案在移动边缘计算与雾节点和远程云之间的合作与任务依赖约束。移动设备的预算有限，必须确定哪些任务应该在本地计算或发送到雾。为了解决这个问题，我们首先制定的卸载问题作为一个任务完成时间最小化的问题，给定的预算的移动设备，这是NP-难的。然后，我们设计了两个以上的算法来研究网络的性能。仿真结果表明，所提出的贪心算法可以达到接近最优的性能。平均而言，蛮力法和贪心算法在应用程序完成时间上优于模拟退火算法约28.13%。
2018-10-13 cs.NI
Peer Offloading in Mobile Edge Computing with Worst-Case Response Time Guarantees
移动边缘计算（MEC）是一种在网络边缘提供云计算服务的新范式。为了利用有限的计算资源实现更好的性能，已经提出了协作边缘服务器（例如，MEC使能的基站）之间的对等卸载作为处理计算任务的突发和空间不平衡到达的有效技术。虽然各种性能指标的对等卸载政策已被认为在文献中，最坏情况下的响应时间，一个共同的服务质量（QoS）的要求，在实时应用程序，但得到的关注要少得多。为了填补这一空白，我们基于随机到达模型建立了对等体卸载问题，并针对有和没有任务到达率先验知识的情况提出了两种在线算法。我们的目标是在能量消耗和最坏响应时间的约束下最大化时间平均吞吐量的效用函数。理论分析和数值结果表明，我们的算法能够产生接近最优性能。
2020-09-03 cs.NI
The Effect of Mobility on Delayed Data Offloading
延迟卸载是移动用户在城市地区移动时通过Wi-Fi卸载流量的广泛接受的解决方案。然而，延迟卸载以延迟性能为代价提高卸载效率。以前的工作主要集中在提高卸载效率，同时保持延迟性能在一个可接受的区域。在本文中，我们研究了用户的移动性延迟数据卸载的卸载效率和延迟性能之间的权衡方面的影响。我们将具有延迟数据卸载的移动终端建模为具有三种服务状态的M/MMSP/1排队系统。为了实用，我们在分析中考虑了当前商用移动终端的特征。分析结果表明，用户的移动性可以降低延迟卸载所带来的延迟，并指出在给定延迟要求的情况下，可以根据终端的移动性对延迟卸载策略进行优化。
2019-03-27 cs.NI
Designing and Analysis of A Wi-Fi Data Offloading Strategy Catering for the Preference of Mobile Users
近年来，通过Wi-Fi卸载移动流量已成为降低移动用户通信成本的潜在解决方案。用户希望通过Wi-Fi卸载来降低成本，同时将延迟保持在可接受的范围内。此外，不同的用户对成本和延迟性能有不同的敏感度。如何根据用户的偏好做出合理的代价-时延权衡是分载策略设计的关键问题。为了解决这个问题，我们提出了一个面向偏好的卸载策略，目前的商业终端，只通过一个通道同时传输流量。将该策略建模为一个三状态M/MMSP/1排队系统，其中服务过程是一个马尔可夫调制服务过程（MMSP），通过建立一个混合嵌入马尔可夫链，得到了该策略的结构化解.我们的分析表明，给定用户的偏好，存在一个最优的截止日期，以最大化的效用，它被定义为成本和延迟的线性组合。我们还提供了一种方法来选择最佳的截止日期。仿真结果表明，该策略具有最优的截止期，可以达到良好的性能。
2020-08-20 cs.NI
Cooperative Data Offload in Opportunistic Networks: From Mobile Devices to Infrastructure
由间歇性连接的移动设备组成的主动式移动网络已经被用于各种应用，诸如计算卸载和减轻蜂窝业务负载。在现有的工作相比，在本文中，我们专注于合作卸载移动设备之间的数据，以最大限度地提高数据传输的概率从移动终端间歇连接的基础设施在给定的时间限制，这是被称为\textit{cooperative offloading}问题。不幸的是，在机会路径上的数据传输概率的估计是困难的，合作卸载是NP-难的。为此，我们首先提出了一个概率框架，提供这种概率的估计。基于所提出的概率框架，我们设计了一个启发式算法来解决合作卸载在一个低的计算成本。由于缺乏全局信息，进一步提出了一种分布式算法。所提出的方法的性能进行评估的基础上合成网络和真实的痕迹。实验结果表明，该概率框架能准确估计数据的投递概率，协同卸载大大提高了数据的投递概率，启发式算法逼近最优解，且启发式算法和分布式算法的性能均优于其他方法。
2017-03-26 cs.NI
Latency and Reliability-Aware Task Offloading and Resource Allocation for Mobile Edge Computing
虽然移动边缘计算（MEC）消除了移动设备的计算和功率限制，但在将任务卸载到远程MEC服务器时会产生额外的延迟。在这项工作中，在任务卸载的上下文中的功率延迟权衡研究在多用户MEC的情况下。与依赖于平均度量的当前系统设计（例如，平均队列长度和平均延迟），提出了一种新的网络设计，其中考虑了延迟和可靠性约束。这是通过对用户的任务队列长度施加概率约束，并调用极值理论的结果来表征队列长度（或排队延迟）违规方面的低概率事件的发生。该问题被制定为一个计算和发射功率最小化的延迟和可靠性的约束，并解决了使用工具从李雅普诺夫随机优化。仿真结果表明，所提出的方法的有效性，同时检查功率延迟的权衡和所需的计算资源，为各种计算强度。
2017-10-02 cs.NI
Decentralized Computation Offloading and Resource Allocation in Heterogeneous Networks with Mobile Edge Computing
我们考虑一个具有移动边缘计算的异构网络，其中用户可以将其计算卸载到多个服务器中的一个。特别是，我们最大限度地减少了系统范围内的计算开销，通过联合优化个人的计算决策，用户的传输功率和计算资源在服务器上。问题的关键在于多用户卸载决策的组合性质、优化目标的复杂性以及小区间干扰的存在。然后，将问题分解为两个子问题：一是卸载决策，包括用户关联和子信道分配两个阶段;二是联合资源分配，进一步分解为发射功率和计算资源分配问题。为了实现分布式计算卸载，我们依次应用多对一匹配游戏的用户关联和一对一匹配游戏的子信道分配。此外，卸载用户的发射功率使用二分法近似的小区间干扰，并分配给卸载用户的计算资源通过对偶方法来实现。所提出的算法是收敛和稳定的。最后，我们提供模拟来验证所提出的算法的性能，以及与现有的框架进行比较。
2018-03-02 cs.NI
Wireless and Service Allocation for Mobile Computation Offloading with Task Deadlines
在移动计算卸载（MCO）中，移动设备（MD）可以选择在本地执行任务，或者在远程边缘服务器（ES）上执行任务。本文解决了分配所需的无线通信带宽，以及用于任务执行的ES能力，使任务完成时间的限制得到满足的问题。我们的目标是获得这些分配，使移动设备的平均功耗最小化，受到成本预算约束。该文件包括软和硬任务完成期限约束的贡献。首先，制定的问题是混合整数非线性规划（MINLP）。然后通过将问题分解为可以有效解决的凸子问题的集合来获得近似解。结果表明，所提出的解决方案，它可以在很宽的系统参数范围内实现接近最佳性能的质量。
2023-01-28 cs.NI
Cloud Offloading for Multi-Radio Enabled Mobile Devices
5G网络技术的出现增加了来自移动设备的期望，因为期望在移动终端上交付更复杂、计算密集的应用，这些应用本身变得更小和更时尚。这意味着需要将应用程序的计算密集型部分卸载到资源强大的云。同样，在无线网络世界中，趋势已经转移到多无线电（与多信道相对）使能的通信。在本文中，我们提供了一个全面的计算卸载解决方案，使用多个无线电链路可用于相关的数据传输，最佳。我们的贡献包括：从移动终端的角度考虑的能量消耗的综合模型;联合优化问题的公式化，以最小化所消耗的能量以及通过可用无线电链路最优地分配相关联的数据传输;以及收敛到局部最优解的迭代算法。在HTC手机上运行一个14组件应用程序并使用Amazon EC2作为云的模拟显示，通过迭代算法获得的解决方案仅比最优解决方案（通过穷举搜索获得）多消耗3%的能量。
2015-11-11 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
Threat Aware Task Offloading and Caching for Secure UAV Assisted Vehicular Consumer Electronics
Xidian University（西安电子科技大学）；Marwadi University（马尔瓦迪大学）；University of Hong Kong（香港大学）
针对车载消费电子VEC系统的安全与性能挑战，提出无人机辅助的协作VEC架构，设计TAGO框架实现威胁感知任务卸载与时空缓存优化，仿真验证其可降低任务延迟、提升缓存效率。
2026-08-19 cs.NI
Mobile Adhoc Offloading
这个问题是一系列的投标和拍卖。由于网络拓扑结构的变化、发送方预算的变化以及其他节点策略的可能演变，每一轮投标和拍卖都与前一轮不同。中继节点巨大的策略空间使得博弈的公式化非常困难。我们提出了一个简短的定性分析，在本文中，并提出了一个基于学习算法的投标策略。
2014-01-18 cs.NI
Joint Optimization of Service Caching Placement and Computation Offloading in Mobile Edge Computing Systems
在移动边缘计算（MEC）系统中，边缘服务缓存是指预先存储用于在MEC服务器处执行计算任务的必要程序。在资源受限的边缘服务器上，服务缓存放置通常是一个复杂的问题，与计算任务的卸载决策高度相关。在本文中，我们考虑一个单一的边缘服务器，协助移动用户（MU）在执行一系列的计算任务。特别地，MU可以在边缘服务器处运行其定制的程序，而服务器可以选择性地缓存先前生成的程序以供将来的服务重用。为了最小化MU的计算延迟和能量消耗，我们制定了一个混合整数非线性规划（MINLP），共同优化服务缓存的位置，计算卸载，和系统资源分配。我们首先推导出最优资源分配的封闭表达式，然后将MINLP转化为一个等价的纯0-1整数线性规划（ILP）。为了进一步降低求解ILP的复杂性，我们利用最优解的底层结构，并设计了一种降低复杂性的交替最小化技术来交替更新缓存放置和卸载决策。仿真结果表明，所提出的技术实现了大量的资源节省相比，其他代表性的基准方法。
2020-04-14 cs.NI
A Deep Reinforcement Learning Based Approach for Cost- and Energy-Aware Multi-Flow Mobile Data Offloading
随着对移动数据的需求的快速增长，移动网络运营商正试图通过部署无线局域网（LAN）热点来扩展无线网络容量，移动网络运营商可以将其移动业务卸载到该无线局域网热点上。然而，这些以网络为中心的方法通常不满足移动用户（MU）的利益。考虑到许多问题，如不同的应用程序的最后期限，货币成本和能源消耗，MU如何决定是否卸载他们的流量到互补的无线局域网是一个重要的问题。以前的研究假设MU的移动模式是事先知道的，这并不总是正确的。在本文中，我们研究了MU的政策，以尽量减少他的货币成本和能源消耗，而不知道MU的流动性模式。我们建议使用一种称为深度Q网络（DQN）的强化学习技术，用于MU从过去的经验中学习最佳卸载策略。在所提出的基于DQN的卸载算法中，不再需要MU的移动性模式。此外，MU的剩余数据的状态被直接馈送到卷积神经网络在DQN没有离散化。因此，不仅在以前的工作中存在的离散化误差消失，而且它使所提出的算法具有概括过去的经验，这是特别有效的状态数很大的能力。大量的模拟进行验证我们提出的卸载算法。
2018-01-30 cs.NI
Network-Coded Macrocell Offloading in Femtocaching-Assisted Cellular Networks
毫微微缓存的想法被提出作为一种解决方案，以补偿弱回程容量，通过部署具有高存储容量的覆盖有限的节点称为毫微微缓存（FC）。本文研究了基于毫微微缓存的蜂窝网络中的宏小区卸载问题。目标是最小化宏小区基站（MBS）的传输数量，假定所有请求应该同时被服务以满足客户端的体验质量（QoE）。我们首先制定这个MBS卸载问题作为一个网络编码图的优化问题，并表明它是NP-难的。因此，我们提出了一个ONC广播卸载方案，利用广播和机会网络编码（ONC），以尽量减少所需的MBS传输的数量。我们利用一个随机图模型来近似所提出的ONC广播方案的性能，在所得到的平均传输次数的MBS。此外，尽管为每种情况找到最优解的复杂性，我们证明了这种ONC广播方案是渐近最优的，即，对于大量的请求，ONC广播方案实现了与最优解决方案相似的宏小区卸载性能。为了实现ONC广播方案，我们设计了一种启发式方法，采用双冲突图或在FC广播，使得剩余的请求可以使用最小数量的MBS传输。仿真结果表明，与传统的分离图方案相比，双图方案提高了MBS卸载。此外，简单的启发式提出实现ONC广播方案实现了非常接近的性能的最佳ONC广播方案。
2016-06-18 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
RRTO: A High-Performance Transparent Offloading System for Model Inference in Mobile Edge Computing
针对移动边缘计算中透明推理卸载传输延迟高的问题，提出RRTO系统，通过记录/重放机制和算子序列搜索算法消除重复RPC，在无需修改源码的前提下大幅降低推理延迟与能耗，性能媲美非透明方法。
2025-07-29 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
Performance Optimization in Mobile-Edge Computing via Deep Reinforcement Learning
为了提高移动设备的计算体验的质量，移动边缘计算（MEC）通过在邻近的无线电接入网络内提供计算能力而成为一种有前途的范例。然而，MEC系统的计算卸载策略的设计仍然具有挑战性。具体地，是在本地移动终端执行到达的计算任务还是卸载任务以用于云执行，应该以更智能的方式适应环境动态。在本文中，我们认为MEC的一个代表性的移动用户在一个超密集的网络，其中多个基站（BS）之一，可以选择计算卸载。求解最优计算卸载策略的问题被建模为马尔可夫决策过程，其中我们的目标是最小化的长期成本和卸载决策是基于移动用户和BS之间的信道质量，能量队列状态以及任务队列状态。为了打破状态空间中高维的诅咒，我们提出了一种基于深度$Q$网络的策略计算卸载算法来学习最优策略，而无需动态统计的先验知识。数值实验结果表明，与基准策略相比，该算法在平均代价上有了显著的提高。
2018-03-25 cs.NI
Delay-Energy Joint Optimization for Task Offloading in Mobile Edge Computing
移动边缘计算（MEC）已经被设想为满足移动用户不断增长的资源需求、延长移动设备的电池寿命以及缩短用户经历的请求响应延迟的有希望的范例。MEC环境由许多MEC服务器和无处不在的接入点组成，这些服务器和接入点互连到边缘云网络中。移动用户可以将其计算密集型任务卸载到一个或多个MEC服务器上执行，以节省电池。由于在MEC中部署了大量MEC服务器，因此选择服务器的子集来服务用户任务，同时满足其用户的延迟要求是具有挑战性的。在本文中，我们制定了一个新的延迟能量联合优化问题，通过共同考虑CPU周期的频率调度在移动设备，服务器的选择，以服务于用户卸载任务，任务分配到选定的服务器。为此，我们首先将该问题表示为一个混合整数非线性规划问题，由于求解该非线性规划问题的困难，我们将该问题松弛为一个非线性规划问题，可以在多项式时间内求解。我们还展示了如何从这个放松的解决方案的解决方案，以获得一个可行的解决方案，原来的问题。我们最后进行实验，以评估所提出的算法的性能。实验结果表明，该算法是有前途的。
2018-04-27 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
Latency Reduction for Mobile Edge Computing in HetNets by Uplink and Downlink Decoupled Access
在移动边缘计算（MEC）系统中，实现端到端的低延迟计算卸载仍然是一个关键的设计问题。这是因为经由MEC服务器的计算任务的卸载需要使用通常被假设为耦合到单个基站（BS）的上行链路（UL）和下行链路（DL）无线电链路。然而，对于异构网络，提出了一种新的架构范例，其中UL和DL不与相同的BS相关联，并且由于改进的UL性能，该架构范例被认为提供了网络吞吐量的增益。出于这样的收益，并通过使用随机几何的典型结果，我们制定卸载延迟与去耦UL/DL关联，或去耦接入的MEC为基础的计划，并比较其性能与传统的耦合接入方案。尽管在UL和DL中两个服务BS之间的通信需要回程延迟，但是与具有耦合接入的传统卸载方案相比，具有解耦接入的卸载方案仍然能够提供相当低的卸载延迟。
2022-02-13 cs.NI
Cooperative Content Offloading Through WiFi and Mobile Device-to-Device Networks
本文研究了WiFi和移动设备到设备网络的使用，车辆自组织网络是一个典型的例子，作为一种补充手段，以卸载和减少蜂窝网络的流量负载。提出了一种新的合作内容分发策略，异构网络包括不同类型的设备具有不同的移动性水平，从静态的WiFi接入点，以移动设备，如车辆。所提出的策略将很大一部分数据流量从蜂窝网络卸载到WiFi或设备到设备网络。详细分析了采用该策略的异构网络中的内容分发过程。在此基础上，讨论了内容传播策略的最优参数设置。仿真和数值研究表明，该策略有效地减少了蜂窝网络的数据流量，同时保证成功的内容交付。
2017-01-03 cs.NI
Pricing-Driven Service Caching and Task Offloading in Mobile Edge Computing
通过提供移动边缘计算（MEC）服务，无线设备（WD）在本地运行其所需程序时不再需要经历长延迟，而是可以支付将计算任务卸载到边缘服务器的费用。考虑到其有限的存储空间，基站（BS）处的边缘服务器通过满足和指导WD的卸载决策来确定缓存哪些服务节目是重要的。在本文中，我们提出了一个MEC服务定价方案，以协调服务缓存的决定和控制WD的任务卸载行为。我们提出了一个两阶段的不完全信息的动态博弈模型和分析的BS和多个关联的WD之间的两阶段的相互作用。具体地，在阶段I中，BS确定MEC服务缓存并向WD宣布服务程序价格，目的是在存储和计算资源约束下最大化其预期利润。在阶段II中，给定不同服务程序的价格，每个WD自私地决定其卸载决策以最小化个体服务延迟和成本，而不知道其他WD的期望程序类型或本地执行延迟。尽管缺乏WD的信息和耦合的所有WD的卸载决策，我们得出的最佳阈值为基础的卸载政策，可以很容易地通过WD在第二阶段的贝叶斯均衡。然后，通过预测WD的卸载均衡，我们联合优化BS的定价和服务缓存在第一阶段通过一个低复杂度的算法。特别是，我们研究了统一和差异化的定价方案。对于差异化定价，我们证明了相同的价格应该收取相同的工作量的缓存程序。
2020-11-04 cs.NI
Delay-aware and Energy-Efficient Computation Offloading in Mobile Edge Computing Using Deep Reinforcement Learning
物联网（IoT）被认为是各种有前景的应用的使能平台，例如智能交通和智能城市，其中大量设备互连以进行数据汇集和处理。这些物联网应用对存储和计算能力提出了很高的要求，而物联网设备通常是资源受限的。作为一种潜在的解决方案，移动边缘计算（MEC）在物联网设备附近部署云资源，以便在本地更好地满足其请求。在这项工作中，我们研究了具有多个边缘服务器的动态MEC系统中的计算卸载，其中具有各种要求的计算任务由IoT设备动态生成并在时变操作环境中卸载到MEC服务器（例如，信道条件随时间改变）。这项工作的目标是最大限度地在各自的截止日期前完成任务，并尽量减少能源消耗。为此，我们提出了一种端到端的深度强化学习（DRL）方法来选择最佳的边缘服务器进行卸载，并分配最佳的计算资源，以使预期的长期效用最大化。仿真结果表明，该方法优于现有的方法。
2021-03-13 cs.NI
DAWN: Delay-Aware Wi-Fi Offloading and Network Selection
为了适应移动数据业务的爆炸性增长，移动蜂窝运营商和移动用户都越来越有兴趣将业务从蜂窝网络卸载到Wi-Fi网络。然而，先前提出的卸载方案主要集中于减少蜂窝数据使用，而没有过多关注应用的服务质量（QoS）要求。在本文中，我们研究了基于使用的定价下的延迟容忍应用的Wi-Fi卸载问题。我们的目标是实现一个很好的权衡用户的付款和其QoS的文件传输截止日期。首先，我们提出了一个通用的延迟感知Wi-Fi卸载和网络选择（DAWN）算法，用于一般的单用户决策场景。然后，我们分析建立的充分条件下，最优策略表现出的时间和文件大小的阈值结构。因此，我们提出了一种单调的DAWN算法，近似地解决了一般的卸载问题，并具有较低的计算复杂性的最佳算法相比。仿真结果表明，与三种启发式方案相比，一般DAWN方案和单调DAWN方案在严格的截止期限下完成文件传输的概率较高，在非严格截止期限下所需费用最低.
2015-02-27 cs.NI
Spontaneous Proximity Clouds: Making Mobile Devices to Collaborate for Resource and Data Sharing
移动云计算的基本动机是通过将应用卸载到强大的云资源上来增强移动设备的能力。然而，由于移动终端和云之间的长物理距离所带来的高卸载成本，这一目标无法完全实现。为了解决这个问题，我们提出了一个应用程序卸载到附近的移动云组成的移动设备在附近的一个自发的邻近云。我们介绍了我们提出的动态，蚂蚁启发，双目标卸载中间件-ACOMA，并解释其扩展执行一个密切的移动应用程序卸载。利用ACOMA基于学习的卸载决策过程，结合协同资源共享，移动设备可以协同进行决策缓存共享。我们使用真实的基准人脸识别和Monte-Carlo算法评估了ACOMA在协作模式下的性能，并实现了50%的执行时间增益。
2016-11-03 cs.DC cs.NI
Delay and Throughput Analysis of Computation Offloading in Mobile Edge Computing: A Queueing Network Approach
Department of Electrical Engineering, Sharif University of Technology（电气工程系，谢里夫理工大学）
本文提出乘积形式排队网络模型分析移动边缘计算中树形任务卸载的延迟，并通过可微优化框架设计静态卸载策略，数值验证其优于基线算法。
2026-10-30 cs.NI
Age Based Task Scheduling and Computation Offloading in Mobile-Edge Computing Systems
为了支持新兴的实时监控应用，计算结果的及时性对于移动边缘计算（MEC）系统至关重要。我们提出了一个性能指标称为年龄的任务（AoT）的概念的基础上的年龄的信息（AoI），计算任务的时间价值进行评估。在本文中，我们考虑一个系统由一个单一的MEC服务器和一个移动终端运行多个应用程序。我们研究了一个年龄最小化问题，联合考虑任务调度，计算卸载和能源消耗。为了有效地解决这个问题，我们提出了一个轻量级的任务调度和计算卸载算法。通过性能评估，我们表明，我们提出的基于年龄的解决方案相比，传统的策略是有竞争力的。
2019-05-28 cs.NI eess.SP
Serving Long-Context LLMs at the Mobile Edge: Test-Time Reinforcement Learning-based Model Caching and Inference Offloading
针对移动边缘长上下文LLM服务难题，提出基于测试时深度强化学习的模型缓存与推理卸载框架及双重荷兰拍卖机制，实现成本降低至少30%。
2025-01-24 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
Delay-sensitive Task Offloading in Vehicular Fog Computing-Assisted Platoons
针对车辆雾计算辅助车队中计算资源不足导致的任务处理时延问题，本文提出一种基于半马尔可夫决策过程的卸载策略，以最小化卸载时延并最大化长期回报，仿真实验验证了其有效性。
2023-09-19 cs.NI eess.SP
Task Offloading and Resource Allocation for MEC-assisted Consumer Internet of Vehicle Systems
针对MEC辅助消费级车联网中资源与计算需求不匹配等挑战，提出多MEC辅助架构，构建系统成本最小化优化问题，设计基于MADDPG的联合任务卸载与资源分配方法JTOCRA，仿真证明其性能和可扩展性更优。
2025-08-13 cs.NI eess.SP
Process migration-based computational offloading framework for IoT-supported mobile edge/cloud computing
移动设备已成为物联网（IoT）不可或缺的组成部分。然而，这些设备在处理能力、电池功率和存储空间方面具有资源约束，从而阻碍了通常需要宽带宽、严格的响应时间、长电池寿命和重计算能力的计算密集型应用的执行。移动云计算和移动边缘计算（MEC）是可以使用卸载算法来满足上述要求的新兴技术。本文分析了边缘网络中依赖于平台的原生应用程序对计算卸载的影响，提出了一个轻量级的基于进程迁移的计算卸载框架。所提出的框架不需要边缘服务器上的应用程序二进制文件，因此可以无缝迁移本地应用程序。建议的框架进行评估，使用实验测试平台。数值结果表明，该框架节省了近44%的执行时间和84%的能源消耗。因此，所提出的框架显示了MEC中资源密集型物联网应用程序处理的巨大潜力。
2019-09-24 cs.DC cs.NI
Towards Green Mobile Edge Computing Offloading Systems with Security Enhancement
移动边缘计算（MEC）是一种旨在减少延迟的新兴通信方案。在这篇文章中，我们研究了一个绿色MEC系统的窃听存在。我们使用计算效率作为我们的主要指标，计算效率被定义为计算的总比特数除以总能耗。为了减轻严格的延迟要求，提出了一种联合安全卸载和计算模型。此外，我们制定了一个优化问题，最大限度地提高计算效率，在几个实际的约束条件。非凸问题通过逐次凸逼近和迭代算法来解决。仿真结果验证了所提出方案的优越性以及问题解决方案的有效性。
2020-04-11 cs.NI eess.SP
Decentralized Network Topology Design for Task Offloading in Mobile Edge Computing
针对移动边缘计算中网络拓扑优化不足的问题，提出一种联合考虑拓扑设计与任务分配的去中心化网络拓扑设计策略DNTD-TO，通过构建三层网络结构生成最优任务分配，显著提升了计算效率。
2024-11-12 cs.DC cs.NI
Pricing Mobile Data Offloading: A Distributed Market Framework
移动数据卸载是避免蜂窝网络中的拥塞并提高用户满意度的新兴技术。在本文中，我们开发了一个分布式的市场框架来定价的卸载服务，并进行了详细的分析，卸载服务提供商的动机和冲突所产生的相互作用的不同参与者。具体而言，我们制定了一个多领导者多追随者Stackelberg游戏（MLMF-SG）模型之间的相互作用的卸载服务提供商和卸载服务消费者在考虑的市场框架，并调查的情况下，卸载能力的AP是无限的和有限的，分别。对于无容量限制的情形，将MLMF-SG（FG-MLMF-SG）的追随者对策分解为若干简单的追随者对策，并证明了这些简单的追随者对策的平衡点的存在唯一性，由此也证明了FG-MLMF-SG的存在唯一性.对于MLMF-SG的领导者博弈，我们也证明了均衡的存在唯一性。对于有容量限制的情形，通过考虑对称的策略分布，建立了相应的MLMF-SG均衡解的存在唯一性，并给出了一个允许领导者达到均衡解的分布式算法.最后，大量的数值实验表明，Stackelberg均衡是非常接近相应的社会最优的两种情况下考虑。
2014-09-16 cs.GT cs.NI
Energy-Efficient Computation Offloading in MobileEdge Computing Systems with Uncertainties
计算卸载对于移动边缘计算（MEC）是必不可少的。它使用边缘资源来实现密集计算，并为资源受限的设备节省能源。现有的工程通常对无线电信道和网络队列大小施加强有力的假设。然而，实际的MEC系统受到各种不确定性的影响，使得这些假设不切实际。在本文中，我们研究的能量有效的计算卸载问题，放松这些常见的假设，并考虑在网络中的内在不确定性。具体来说，我们最大限度地减少本地设备的最坏情况下预期的能源消耗时，执行时间关键型应用程序建模为有向无环图。利用极值理论对不确定性事件的发生概率进行约束。为了解决这个问题，我们提出了一个基于列生成的$ε$有界近似算法。该算法可以有效地识别出小于最优解的（1+ $ε$）的可行解。我们在Android智能手机上实现了所提出的方案，并使用真实世界的应用程序进行了广泛的实验。实验结果证实，它将导致更低的能耗为客户端设备，通过考虑内在的不确定性，在计算卸载。所提出的计算卸载方案在节能方面也显著优于其他方案。
2022-01-25 cs.DC cs.NI
NOMA Assisted Multi-MEC Offloading for IoVT Networks
如今，视频物联网（IoVT）在数量和计算需求方面快速增长。尽管与传统物联网设备相比，在视觉处理上具有更高的本地计算能力，但由于其更大的计算需求，IoVT设备需要将部分视觉处理任务无线地卸载到移动边缘计算（MEC）服务器。然而，视觉处理任务卸载受限于MEC服务器的上行链路吞吐量和计算能力。为了突破这些限制，提出了一种具有多个MEC服务器的新型非正交多址（NOMA）辅助的IoVT框架，其中NOMA被利用来提高上行链路吞吐量，并且MEC服务器与基站位于同一地点以提供足够的计算能力用于卸载。在该框架中，联合优化了关联策略、NOMA辅助的上行视觉数据传输、视觉处理任务的划分以及MEC服务器上的计算资源分配，以最小化所有视觉处理任务的总延迟，同时满足所有IoVT设备的延迟要求。仿真结果表明，在异构IoVT网络中，通过提出的NOMA传输和多MEC卸载的联合优化可以实现显着的性能增益。
2021-07-28 cs.NI cs.SY eess.SY
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
Knowledge Distillation for Mobile Edge Computation Offloading
School of Data and Computer Science, Sun Yat-sen University（中山大学数据与计算机科学学院）
边缘计算卸载允许移动终端设备在边缘服务器上执行计算密集型任务。终端设备可以根据当前网络条件和设备配置文件，在线决定是否将任务卸载到边缘服务器、云服务器或本地执行。在本文中，我们提出了一个基于深度模仿学习（DIL）和知识蒸馏（KD）的边缘计算卸载框架，该框架可以帮助终端设备快速做出细粒度的决策，以在线优化计算任务的延迟。我们将计算卸载问题形式化为多标签分类问题。我们的DIL模型的训练样本以离线方式生成。在模型训练完成后，利用知识蒸馏得到一个轻量级的DIL模型，进一步降低了模型的推理延迟。数值实验表明，该模型所做出的卸载决策在延迟度量上优于其他相关策略。此外，我们的模型在所有策略中具有最短的推理延迟。
2020-04-09 cs.AI cs.DC cs.NI
