Energy-Efficient Vehicular Task Offloading Using Multi-Mode MEC and RIS-Equipped Aerial Platforms
Notice bibliographique
Résumé
Connected and Autonomous Vehicles (CAVs) require ultra-low latency and high computational processing for safety-critical applications, often exceeding their on-board capabilities and facing significant coverage limitations with existing terrestrial infrastructure. To address these challenges, mobile edge computing (MEC)-equipped non-terrestrial networks (NTNs) offer a promising solution for vehicular task offloading. In this context, we introduce here a novel and energy-efficient approach to optimize MEC-equipped NTN operations through the integration of reconfigurable intelligent surfaces (RIS) into NTNs, thus enhancing the performance of CAV task offloading. Our framework leverages a multi-layered cooperative architecture that combines the wide-area coverage of high-altitude platform stations (HAPS) with the flexibility of multi-mode unmanned aerial vehicles (UAVs) equipped with both MEC and RIS capabilities. Specifically, we formulate this as a joint optimization problem of task/sub-task association, RIS phase shift configurations, and power control, to maximize the CAV task offloading success rate while saving energy within the NTN nodes. Given the latter’s NP-hardness, we divide it into three separate sub-problems and solve them iteratively. Specifically, task/sub-task association decisions are addressed by transforming the mixed-integer nonlinear programming (MINLP) sub-problem, and the RIS configurations are optimized using a hybrid solution combining semidefinite programming (SDP) and successive convex approximation (SCA), while a closed-form solution is derived for UAV/HAPS power control. Through extensive experiments, our proposed iterative solution, called joint offloading, phase shift, and power optimization (JOPPO), is proven to be superior to benchmarks in terms of task offloading success rate and across different network conditions while trading-off between energy consumption and task offloading success rate.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».