Blockchain-Enabled Computing Offloading and Resource Allocation in Multi-UAVs MEC Network: A Stackelberg Game Learning Approach
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,002 | 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 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 ».