Energy-Efficient Multi-task Multi-access Computation Offloading Via NOMA Transmission for IoTs
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».