Energy-Efficient and Delay-Fair Mobile Computation Offloading
Notice bibliographique
Résumé
Mobile edge computing has been regarded as a new paradigm to achieve mobile computation offloading (MCO), which enables resource-limited mobile devices (MDs) to offload part or all of computation-intensive applications to more powerful computing entities. In this work we study MCO for data partitioned oriented applications. This type of services are usually delay-elastic, but shorter processing delay helps improve the user experience. We consider energy consumption of MDs and latency fairness of the applications. The latency fairness is achieved by allowing multiple offloading MDs to share one channel and allocating a fraction of the channel time for each application, and minimizing total energy consumption of the MDs is achieved by jointly optimizing the offloading ratio, channel assignments, and channel time allocations. For a special case that assigns at most one MD to each channel, a closed-form offloading ratio is derived and optimal channel assignment is obtained through transforming the problem into a weighted bipartite matching. The general problem is then solved by embedding the branch-and-bound iterations with successive convex approximation that solves a series of geometric programming problems. To reduce the complexity, a two-layer recursive method is then proposed that finds the channel assignments, offloading ratio and channel time allocation for each MD. Simulation results demonstrate that the proposed method can achieve low energy consumption and high latency fairness; and much lower energy consumption can be achieved with a slight decrease in latency fairness.
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 | 0,001 |
| 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 ».