Blockchain-Enabled Computing Offloading and Resource Allocation in Multi-UAVs MEC Network: A Stackelberg Game Learning Approach
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
Unmanned Aerial Vehicle (UAV) is a promising technology that can serve as aerial base stations to assist the Internet of Things (IoT) network and solve various problems, such as expanding network coverage, improving network performance, transmitting energy to IoT devices, and performing IoT compute-intensive tasks. However, due to the communication between UAVs and the migration of computing tasks, privacy and security during the computing offloading process are challenging issues. To this end, we design an air-to-air multi-UAVs MEC network system based on multi-coalition game, and introduce blockchain technology to ensure privacy and security between UAVs, effectively ensuring the security and confidentiality of computing offloading between UAVs. In this paper, the joint optimization problem of UAV channel selection, UAV location deployment, block processor decision, block processor transmission power, and block processor generation frequency is studied. The goal is to minimize the weighted average sum of energy consumption and delay for MEC task computing and blockchain task processing. To handle this intractable issue, the original problem is decomposed into two subproblems and solved alternately with each other. In addition, the Joint Convex Optimization and Stackelberg Game Hierarchical (JCSH) algorithm is proposed, which solves the problem of blockchain-enabled computing offloading and resource allocation. The simulation results show that the JCSH algorithm has better performance and stronger robustness compared to other algorithms under different parameter settings.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 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 découle