Notice bibliographique
Résumé
The problem of fair and efficient allocation of resources in Mobile Edge Computing (MEC) is of significant importance. Users in MEC, instead of utilizing the servers in the core network, can offload their tasks to the MEC-capable access points (APs) at the network's edge. Each user in MEC requires resources in a customized proportion to execute a task on a MEC server. Furthermore, The task input data and execution results are sent through shared wireless communication links to and from the MEC servers. Hence, MEC is characterized by allocating multiple communication and computation resources. Existing resource allocation rules generally consider Pareto Optimality (PO), Envy-Freeness (EF), Sharing Incentive (SI), and Strategy-Proofness (SP) as the most desirable fairness and efficiency properties. This dissertation proposes fair and efficient resource allocation mechanisms for three different MEC systems. We first consider the single-AP MEC systems, where the users must upload their tasks over a dedicated wireless communication link outside the computing servers. We propose a fair multi-resource allocation mechanism for this environment, termed Task Share Fairness with External Resource (TSF-ER), and prove that it satisfies all desirable fairness and efficiency properties. We then consider the multi-AP MEC systems where no user can establish multiple wireless connections simultaneously to multiple edge servers. Furthermore, each user is a selfish agent that chooses the single server for its job execution that maximizes its utility. We propose the Multi-resource Allocation Game Induced by the Kalai-Smorodinsky bargaining solution (MAGIKS) and prove that under discrete resource demands, it finds a Nash Equilibrium in polynomial time for any fixed server configuration. Furthermore, we prove that MAGIKS satisfies some desirable fairness and efficiency properties. Finally, we consider the multi-AP MEC systems where each user can establish wireless connection simultaneously to multiple edge servers and may experience different levels of wireless channel quality on different APs, so the user's channel bandwidth demand is not fixed. We show that the four fairness and efficiency properties are no longer compatible in this MEC environment. Hence, we propose a resource allocation rule, Maximum Task Product (MTP), that retains PO, EF, and SI.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».