Task Offloading Optimization in NOMA-Enabled Dual-Hop Mobile Edge Computing System Using Conflict Graph
Notice bibliographique
Résumé
Resource allocation is investigated for offloading computational-intensive tasks in dual-hop mobile edge computing (MEC) system. The envisioned system has both the cooperative access points (APs) with the computing capability and the MEC servers. A user-device (UD), therefore, first uploads a computing task to the nearest AP, and the AP can either locally process the received task or offload to MEC server. To utilize the radio resource blocks (RRBs) in the APs efficiently, we exploit the non-orthogonal multiple access (NOMA) for offloading the tasks from the UDs to the AP(s). In order to investigate the trade-off between latency and energy consumption, this work considers minimizing a weighted-sum that consists of latency and energy consumption, subject to UDs’ rate threshold, tasks’ time-delay, computational frequency scaling, and transmit power allocation constraints. With a joint consideration of all such factors, the problem is NP-hard and its global optimal solution is computationally intractable. A graph-theoretical approach is employed to solve the problem efficiently. Specifically, a novel joint MEC graph-based approach is devised, which solves the scheduling among the UDs, APs, and RRBs, the transmit power control, and the local computational frequency scaling problem(s) jointly. The joint MEC approach achieves near-optimal performance with high computational complexity. To strike a suitable balance between the performance and computational complexity of the resource allocation, a low complexity, yet efficient, pruning graph approach is also devised. The efficiency of the proposed graph-based approaches over several benchmark schemes is verified via extensive simulations.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 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 ».