Convergence of MEC and DRL in Non-Terrestrial Wireless Networks: Key Innovations, Challenges, and Future Pathways
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
The rapid growth in mobile communication technologies has turned mobile edge computing (MEC) into a paradigm-shifting technology that extends cloud-like capabilities and storage resources to the edge of the network. This allows computation-intensive and latency-sensitive applications to be performed at close proximity to the end-users, thereby overcoming the bottleneck issues of resource-constrained devices. However, ensuring efficient operations in MEC-empowered systems requires intelligent task execution and resource allocation across MEC servers. To this end, MEC-empowered non-terrestrial wireless networks (MeNT-WiN) systems are one of the applications in which deep reinforcement learning (DRL) is seen as a powerful method to enhance the MEC abilities in edge servers and network entities. This paper presents a thorough overview of the applications of DRL in MeNT-WiNs. In particular, it underlines the main contribution of DRL in enhancing the performance of MeNT-WiNs, including unmanned aerial vehicles (UAV) and satellite communications networks. This paper investigates how DRL can meet the unique requirements of MeNT-WiNs by enhancing system efficiency, scalability, and decision-making processes across MEC architectures. First, the article reviews the fundamentals of DRL, it later goes on to discuss its integration with MeNT-WiNs and demonstrates its relevance for the optimization of satellite communications and management of UAV swarms, as well as enhancing connectivity in remote areas. The survey also identifies key challenges for DRL-driven MeNT-WiN systems, such as computational complexity and real-time adaptability, while being scalable. Finally, it discusses future research possibilities, emphasizing the importance of new solutions that integrate DRL with MEC in order to fully exploit the potential of MeNT-WiNs.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle