Advancements in RIS-Assisted UAV for Empowering Multiaccess Edge Computing: A Survey
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAVs) have become essential in advancing multi-access edge computing (MEC), providing flexible platforms that enhance network capacity, coverage, and efficiency while reducing latency and improving communication quality. Integrating reconfigurable intelligent surfaces (RIS) with UAV-based MEC systems further elevates these capabilities, delivering significant gains in computational power, energy efficiency (EE), and physical layer security (PLS). However, managing the complexity of RIS within UAV networks requires sophisticated optimization strategies. This survey offers a comprehensive analysis of the fundamentals of RIS, UAVs, and MEC, followed by an in-depth examination of RIS configurations in UAV-based MEC systems, including static, dynamic, and hybrid models. We evaluate the benefits and challenges of RIS integration, such as improved communication, enhanced computational efficiency, optimized energy use, better task management, and strengthened security. In addition, the survey explores the latest advancements in RIS-assisted UAVs for MEC, focusing on boosting computational capacity, minimizing delay, maximizing EE, and enhancing security. To provide a thorough exploration of these topics, detailed summary tables are included, offering a comparative analysis of methodologies, performance metrics, and scenarios from recent studies. Furthermore, the survey presents key lessons learned from current research and identifies future research directions crucial for fully realizing the potential of RIS-enhanced UAV-based MEC systems in next-generation networks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».