Computation Offloading and Resource Allocation Optimization for Mobile Edge Computing-Aided UAV-RIS Communications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The concept of Mobile Edge Computing (MEC) has been recently highlighted as a key enabling technology for the deployment of sixth-generation (6G) wireless network services. On the other hand, the possibility of combining Unmanned Aerial Vehicles (UAV) with Reconfigurable Intelligent Surfaces (RIS) has also been recognized as a powerful communication paradigm able to provide improved propagation characteristics of wireless communication channels, as well as increased capacity and extended coverage. Then, the possibility of merging the characteristics of such a communication paradigm with the one provided through MEC represents a valid solution to fulfill the main requirements of 6G networks. In this paper, we consider the combination of computation offloading and resource allocation in an MEC-based system where the MEC server is hosted by a massive MIMO base station, which serves multiple macro-cells assisted by a UAV-equipped RIS. In this context, we focus on minimising the latency for executing tasks of all user equipment (UE) within the considered scenario. To tackle this problem, we formulate an optimisation problem that jointly optimises computation offloading from user equipment (UE) towards the MEC server, and communication resources in the underlying UAV-assisted and RIS-aided network. The extensive simulation results demonstrate how the proposed method outperforms in terms of providing reduced latency for the considered system when compared with other conventional schemes.
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.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle