Task Offloading and Resource Allocation with Multiple CAPs and Selfish Users
Notice bibliographique
Résumé
In this work, we consider a multi-user mobile edge computing system with multiple computing access points (CAPs). Each mobile user has multiple dependent tasks that must be processed in a round-by-round schedule. In every round, a user may process their individual task locally, or choose to offload their task to one of the $M$ CAPs or the remote cloud server, in order to possibly reduce their processing cost. We aim to jointly optimize the offloading decisions of the users and the resource allocation decisions for each CAP over a global objective function, defined as a weighted sum of total energy consumption and the round time. We first present a centralized heuristic solution, termed MCAP, where the original problem is relaxed to a semi-definite program (SDP) to probabilistically generate the offloading decision. Then, recognizing that the users often exhibit selfish behavior to reduce their individual cost, we propose a game-theoretical approach, termed MCAP-NE, which allows us to compute a Nash Equilibrium (NE) through a finite improvement method starting from the previous SDP solution. This approach leads to a solution from which the users have no incentive to deviate, with substantially reduced NE computation time. In simulation, we compare the system cost of the NE solution with those of MCAP, MCAP-NE, a random mapping, and the optimal solution, showing that our NE solution attains near optimal performance under a wide set of parameter settings, as well as demonstrating the advantages of using MCAP to produce the initial point for MCAP-NE.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».