Distributed Communication and Computation Resource Management for Digital Twin-Aided Edge Computing With Short-Packet Communications
Notice bibliographique
Résumé
For future networks, it is highly demanding to satisfy a wide range of time-sensitive and computation-intensive services. This is a very challenging task, since it requires a combination of aspects from information, communication and computation in order to establish a digital representation of the real network environment. This paper introduces a fairness-aware latency minimisation (FALM) framework in the digital twin (DT) aided edge computing with ultra-reliable and low latency communications (URLLC), which jointly optimises various communication and computation parameters, namely, bandwidth allocation, transmission power, task offloading portions, and processing rate of user equipments (UEs) and edge servers (ESs). The formulated problem is highly complicated, due to non-convex constraints and strong coupling among optimisation variables. To deal with this problem, we develop both centralised and distributed optimisation approaches. In particular, we first resort to successive convex approximation (SCA) method to develop a low-complexity iterative algorithm and solve the problem in a centralised manner. Combining tools from SCA and alternating direction method of multipliers (ADMM), we develop an efficient distributed solution with parallel computation processing at ESs under global consensus in each iteration and strong theoretical performance guaranteed. Numerical results are provided to validate the proposed solutions in terms of convergence speed and overall latency as well as improving fairness among all UEs.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| 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 ».