Aerial-IRSs-Assisted Energy-Efficient Task Offloading and Computing
Notice bibliographique
Résumé
Timely and energy-efficient task offloading and computing can be challenging in mobile edge computing (MEC) networks when the communication links between devices and edge servers are unreliable. In this paper, we apply multiple aerial intelligent reflective surfaces (AIRSs) to assist devices in offloading computing tasks to the edge server in a timely and reliable manner in the MEC network with poor offloading environments. To evaluate the timeliness of offloading and computing, we derive the evolution process of age-of-information (AoI) under the random arrival of the computing tasks. The association between devices and AIRSs, offloading order of computing tasks, design of IRS phase shift, and allocation of communication and computing resources are jointly optimized to minimize the average AoI and system energy consumption given computing requirements. To solve the formulated minimization problem, we propose an efficient problem-solving framework to cope with the challenge of variable coupling. Firstly, we derive a closed-form optimal IRS phase shift to provide a reliable offloading environment. Then, we optimize the association between devices and AIRSs while reducing the offloading complexity and balancing the number of devices associated with each AIRS. Finally, we develop a low-complexity task offloading and resource allocation algorithm based on convex optimization to attain a good enough solution. Simulation results indicate the proposed solution outperforms benchmarks in timeliness and energy saving.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».