EMDTORA: Energy-Aware Multi-User Dependent Task Offloading and Resource Allocation in MEC Using Graph-Enabled DRL
Notice bibliographique
Résumé
The dawn of the 5G/6G networking era has led to the widespread adoption of Multi-Access Edge Computing (MEC), a paradigm shift that brings computational resources at the network’s edge to enhance device performance and longevity. Additionally, the proliferation of Internet of Things (IoT) has facilitated the development of complex multi-user, multi-edge server environments. In these settings, the interdependence of application tasks makes computational offloading and resource allocation decision-making challenging, but crucial for optimizing energy efficiency. As a response, in this paper, we propose an Energy-Aware Multi-user Dependent Task Offloading and Resource Allocation (EMDTORA) scheme for IoT-MEC infrastructures. First, we formulate an offline, task offloading, multi-objective optimization problem that aims to minimize the user devices’ energy consumption and experienced delay under given constraints. Given the NP-hardness of the problem, we devise an online framework that combines a Graph Attention Networks (GAT)-based mechanism, which captures the in-depth dependency structure of the applications, with an actor-critic off-policy Deep Reinforcement Learning (DRL) algorithm to approximate the optimal solution. Through extensive simulation we highlight the potency of the proposed scheme, as EMDTORA outperforms various baselines by successfully balancing the trade-off between energy consumption and delay minimization, under dynamic network conditions.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 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 ».