Energy-Efficient Multi-task Multi-access Computation Offloading Via NOMA Transmission for IoTs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Driven by the explosive growth in computation-intensive applications in future 5G networks and industries, mobile edge computing (MEC), which enables smart terminals (STs) to offload their computation workloads to nearby edge servers (ESs) in radio access networks, has attracted increasing attention. In this article, we investigate the energy-efficient multitask multiaccess MEC via nonorthogonal multiple access (NOMA). Exploiting NOMA, an ST with multiple tasks can offload the respective computation workloads of different tasks to different ESs simultaneously. To study this problem, we adopt a two-step approach. Specifically, we first consider a given task-ES assignment and formulate a joint optimization of the tasks' computation offloading, local computation-resource allocation, and the NOMA-transmission duration, with the objective of minimizing the ST's total energy consumption for completing all tasks. Next, based on the optimal offloading solution for the given task-ES assignment, we further investigate how to properly assign different tasks to the ESs for further minimizing the ST's total energy consumption. For both the formulated problems, we propose efficient algorithms to compute the respective solutions. Numerical results are provided to validate the effectiveness of our proposed algorithms. The results also show that our proposed NOMA-enabled multitask multiaccess computation offloading can outperform conventional orthogonal multiple access based offloading scheme, especially when the tasks have heavy computation-workload requirements and stringent delay limits.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle