Cost Minimization Resource Allocation with Service Instance Caching and Task Migration for UAV Mobile Edge Computing
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
Air-ground integrated Mobile Edge Computing (MEC) is emerging as a promising technology to achieve the ITU 6G vision of ubiquitous connectivity. Thus, this paper integrates UAVs with ground base stations to provide connectivity for mobile users and to process their computation-intensive and delay-sensitive tasks. However, the limited storage capacity of UAV-side servers makes it infeasible to cache all types of service instances for various tasks. Additionally, the mismatch between server computing resources and user offloading demands leads to insufficient resource utilization, which ultimately deteriorates service delay. Meanwhile, the finite energy of UAVs also calls for reducing energy consumption. Therefore, we aim to minimize the cost, namely the weighted sum of total delay and energy consumption, through joint optimization of the UAV 3D hovering position, service instance caching, task migration, and computing resource allocation. Note that, this problem is characterized as a mixed-integer nonlinear programming (MINLP) issue with dynamic and uncertain system states. As such, we propose a two-stage approach to tackle it. Specifically, in the first stage, we develop an Asynchronous Advantage Actor-Critic (A3C)-based algorithm to design the service instance caching, task migration, and computing resource allocation, enabling multi-thread parallel environment interaction and policy training. In the second stage, UAV 3D hovering positions are optimized using successive convex approximation. Ultimately, we combine the two stages to obtain a high-quality solution. Simulation results demonstrate that our approach reduces the cost by 22.24% and 8.51% compared to DQN and DDPG while converging more quickly and stably.
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 | 0,002 |
| 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 | 0,000 |
| 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