Computing Offloading for RIS-Aided Internet of Everything: A Cybertwin Version
Notice bibliographique
Résumé
Cybertwin technology introduces a novel paradigm employing digital twins to model complex physical systems within a cyber environment, thus enhancing communication, collaboration, and decision-making capabilities. By harnessing advanced technologies, such as reconfigurable intelligent surfaces (RISs) and multiaccess edge computing (MEC), seamless interaction between physical and virtual entities is facilitated. In this article, we propose a cybertwin-driven edge computing framework that leverages RIS technology, complemented by an efficient computing offloading strategy to support large-scale Internet of Everything (IoE) applications. Specifically, the proposed strategy focuses on a multicell system where numerous randomly distributed end users have the option to offload delay-sensitive and computing-intensive tasks to edge computing nodes. The offloading channels are enhanced by RISs through passive beamforming, while cybertwin technology directs resource cooperation among multicells and allocates computing and communication resources. Our main objective is to optimize the system’s utility with respect to task completion latency and energy consumption reduction. To achieve this goal, we conduct the joint optimization of task offloading and resource allocation. Furthermore, we develop a joint task offloading and resource allocation (JTORA) algorithm to derive optimal solutions for passive beamforming design, computing offloading decisions, communication resource scheduling, and computing capacity allocation. The simulation results demonstrate the superiority of the proposed algorithm over benchmark schemes in terms of edge computing efficiency. Furthermore, the system utility can be further enhanced by increasing the number of embedded RIS elements.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».