Time-and-Traffic-aware collaborative task offloading with service caching-replacement in cloud-assisted 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
Abstract The rapid growth of Internet of Things (IoT) applications has increased the demand for ultra-low-latency and energy-efficient computing. While Mobile Edge Computing (MEC) addresses these demands by shifting computation from the centralized cloud to edge servers, its limited resources pose a major challenge. In particular, making optimal decisions for service caching and task offloading under dynamic network conditions and energy constraints remains a critical issue. Efficient caching is essential for latency-sensitive IoT tasks, yet only a subset of services can be stored at MEC-enabled base stations (BSs) due to storage limitations. This paper proposes a Cloud-assisted MEC framework that jointly optimizes service caching, service replacement, and task offloading to enhance long-term system performance. A two-phase solution is developed: first, an Irregular Cellular Learning Automata (ICLA)-based algorithm classifies traffic patterns and timescales, and a Distributed Deep Reinforcement Learning (DDRL) algorithm performs adaptive, decentralized task offloading. To address caching constraints, a dynamic 0–1 knapsack approach selects services based on popularity, while a Q-learning-based policy handles service replacement. Simulation results validate the framework’s effectiveness, showing significant reductions in service latency and energy usage, with improved scalability and adaptability over traditional centralized approaches. The proposed method offers a robust and practical solution for next-generation MEC systems supporting real-time IoT services.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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