Joint Computation Offloading and Radio Resource Allocations in Wireless Cellular Networks
Notice bibliographique
Résumé
Mobile computation offloading (MCO) is an emerging technology to migrate resource-intensive computations from resource-limited mobile devices to resource-rich devices (such as a cloud server) via wireless access. For applications that are time sensitive, offloading to nearby cloudlets is preferred, compared to offloading to a remote cloud server, in order to save the data transmission delay. On the other hand, the limited computing capabilities and the wireless transmission conditions to access the cloudlet servers can both affect the offloading performance, especially when multiple users are competing for offloading services. In this paper, we study joint computation offloading and radio resource allocations in small cell cellular systems, where cloudlet servers are colocated at the base stations. Our objective is to minimize the total energy consumption of the system, for both data transmissions and task executions, subject to the hard latency requirements of the applications. The problem is first formulated as a mixed integer nonlinear optimization problem, and then decomposed into multiple power allocation subproblems and an offloading decision subproblem. The power allocation subproblems are non-convex, which are reformulated and solved iteratively. Their results are fed into the offloading decision subproblem, which then becomes a linear integer (bi- nary) problem, and can be converted into a matching problem and solved using a modified Kuhn-Munkres (K-M) algorithm. Simulation results demonstrate that the joint optimization can significantly improve the offloading efficiency, compared to other resource allocation methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».