Dynamic Computation Offloading in IoT Fog Systems With Imperfect Channel-State Information: A POMDP Approach
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 growing popularity of mobile applications, such as the Internet of Things (IoT), fog computing has been envisioned as a promising approach to enhance the computation capability of mobile devices and reduce the energy consumption. In this article, we aim to investigate the dynamic computation offloading problem in the IoT fog system under the fast time-varying wireless channel conditions. Our work differs from the existing work, which is based on the assumption that the channel-state information can be perfectly obtained by the offloading agent (e.g., the IoT device). In reality, due to hardware limitation, short sensing time, and network connectivity issues in IoT fog systems, it is difficult for the IoT device to have the perfect knowledge of a dynamic channel environment. Therefore, in this article, we propose a partially observable offloading scheme to enable the IoT device to make the optimal offloading decision with imperfect channel-state information. The optimization problem is formulated as a partially observable Markov decision process (POMDP) formulation, with the objective of minimizing the IoT device's energy consumption while meeting its requirement on task processing delay. To find the optimal offloading solution, an offline algorithm based on the deep recurrent $Q$ -network (DRQN) is developed. Finally, extensive simulation experiments are performed to evaluate the effectiveness of the proposed offloading scheme.
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 | 0,001 | 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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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