Sustainable Multi-MEC Task Offloading for 5G-Enabled Internet of Things Devices
Notice bibliographique
Résumé
Efficient task offloading strategies are essential in Multi-access Edge Computing (MEC) environments, particularly within fifth-generation (5G) networks, where inefficient management can lead to significant latency and increased rates of task drops. Given the rapid growth in connected devices and data-intensive applications, achieving scalability in MEC systems is vital for maintaining low latency, high reliability, and efficient data management. This study provides critical insights into the performance implications of varying the number of MEC servers, specifically examining dropped task ratios and latency. Utilizing Mixed Integer Linear Programming (MILP), we comprehensively assess how system performance scales with an increasing number of users and MEC servers. Our analysis demonstrates that MILP consistently yields superior results, effectively minimizing both latency and dropped task ratios even under substantial loads. In particular, scaling from 1 to 2 MEC servers yields a 57% reduction in the dropped task ratio, and further increasing from 2 to 4 MEC servers achieves an additional 53% reduction. Furthermore, in the scaling scenario of 1 to 2 MEC servers, MILP outperforms particle swarm optimization (PSO) by 33.3%, underscoring its effectiveness. In addition, our study investigates energy consumption by comparing two distinct scenarios: full offloading versus entirely local task processing. The analysis reveals significant energy savings through offloading, particularly for large image sizes, where offloading achieves up to a 52.44% reduction in energy consumption.
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 | 0,000 | 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 ».