Energy Efficient and Resilient Task Offloading in UAV-Assisted MEC Systems
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)-assisted Mobile Edge Computing (MEC) presents a critical trade-off between minimizing user equipment (UE) energy consumption and ensuring high task execution reliability, especially for mission-critical applications. While many frameworks focus on either energy efficiency or resiliency, few address both objectives simultaneously with a structured redundancy model. To bridge this gap, this paper proposes a novel reinforcement learning (RL)-based framework that intelligently distributes computational tasks among UAVs and base stations (BSs). We introduce an <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$(h+1)$</tex-math></inline-formula>-server permutation strategy that redundantly assigns tasks to multiple edge servers, guaranteeing execution continuity even under partial system failures. An RL agent optimizes the offloading process by leveraging network state information to balance energy consumption with system robustness. Extensive simulations demonstrate the superiority of our approach over state-of-the-art benchmarks. Notably, our proposed framework sustains average UE energy levels above 75% under high user densities, exceeds 95% efficiency with more base stations, and maintains over 90% energy retention when 20 or more UAVs are deployed. Even under high computational loads, it preserves more than 50% of UE energy, outperforming all benchmarks by a significant margin—especially for mid-range task sizes where it leads by over 15–20% in energy efficiency. These findings highlight the potential of our framework to support energy-efficient and failure-resilient services for next-generation wireless 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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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