Towards Sustainable Edge Computing: Efficient Task Offloading for Energy Efficiency and Latency Reduction
Notice bibliographique
Résumé
In networks with limited resources, the concept of offloading computation to Mobile Edge Computing (MEC) has emerged as a promising research direction with the advent of new services in fifth-generation (5G) networks. However, poorly designed offloading strategies can lead to excessive energy consumption and unpredictable latency, while the number of dropped tasks significantly impacts system efficiency. This paper presents a 5G-MEC task offloading scenario aimed at minimizing computation and communication latency, energy consumption, and the rate of dropped tasks. To achieve this, we employ Mixed Integer non-Linear Programming (MINLP) and Mixed Integer Linear Programming (MILP), comparing their performance with Particle Swarm Optimization (PSO) and Genetic Algorithm (GA). Our analysis considers the impact of the quantity of tasks and User Equipment (UE) on network parameters, distinguishing between urgent and non-urgent tasks. We ensure a zero-dropped task rate for urgent tasks. The proposed approach outperforms baseline techniques such as First Come First Serve (FCFS), Shortest Deadline First (SDF), and Urgent Tasks First (UTF) in the context of 5G-MEC task offloading. Specifically, compared to MILP, PSO, and GA, the MINLP-based approach reduces total latency by 12%, 34%, and 44%, respectively. Moreover, it decreases energy consumption by 8%, 30%, and 47% compared to MILP, PSO, and GA, respectively. The dropped task ratio is also reduced by 17%, 42%, and 65% under the MINLP-based approach compared to MILP, PSO, and GA, respectively.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».