Joint Task Offloading and Resource Allocation Strategy for Hybrid MEC-Enabled LEO Satellite Networks: A Hierarchical Game Approach
Notice bibliographique
Résumé
The multi-access edge computing (MEC)-enabled low Earth orbit (LEO) satellite network is a promising approach to meet the growing ubiquitous diverse computation demands around the world. In this paper, a joint task offloading and resource allocation strategy is proposed for hybrid MEC-enabled LEO satellite networks, where two types of MEC tasks, namely delay-sensitive edgy-cloud task and data-and computation-intensive cloudy-edge task, are considered simultaneously. Specifically, we first design the cost functions for the two types of tasks, which take the delay-sensitive feature of edgy-cloud task and data-and computation-intensive characteristics of cloudy-edge task into consideration. Then, an overall terminal cost minimization problem is formulated for task offloading and resource allocation under the communication and computation capability constraints and the service delay requirements. In practice, terminals usually only care about their own costs, but satellites pursue the overall cost minimization of all the served terminals. Thus, considering the individual and collective rationality simultaneously, a two-level hierarchical game is constructed to solve the formulated problem. In the upper level, a hedonic coalition formation game is established, which enables each terminal to make the coalition selection and task offloading decision based on the designed coalition switch rule. In the lower level, the joint channel and power allocation in each coalition is first formulated as a noncooperative game to represent the individual rationality of each terminal. Then, each satellite performs the optimal computation resource allocation to maximize the coalition value with collective rationality. We prove that the Nash equilibrium (NE) for the noncooperative game exists and the coalition partition converges to a Nash stable state. Simulation results are provided to demonstrate the superiority of the proposed strategy.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».