.png){kind=icon}
返回
A Dynamic Application Configuration and Capacity-Aware Offloading System for MEC Optimization
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3667205.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
移动边缘计算（MEC）是一种通过任务卸载实现计算密集型应用高效节能、低延迟处理的关键技术。然而，现有框架通常使用静态有向无环图（DAG）建模依赖任务，这种模型难以适应资源波动和多样化服务质量（QoS）需求的动态边缘环境。这些固定DAG结构往往无法适应运行时带宽或节点负载的变化，导致任务频繁失败或资源利用低效。为克服这些限制，我们提出动态应用配置，一种允许应用在运行时切换多个预定义DAG变体的范式。这使系统能够根据当前网络和计算条件动态平衡精度与资源效率。基于此概念，我们设计了动态应用配置与容量感知任务卸载系统（DACCS），采用两步卸载策略：1）动态图选择（DGS）算法，根据实时资源状态在关键子任务执行期间自适应调整应用配置；2）依赖感知卸载算法（DAP），通过联合优化应用完成率、处理延迟和有效利用率来优化卸载分配。实验和真实系统验证表明，DGS在多种策略下均能提升服务性能。此外，所提出的DGS-DAP策略在动态条件下优于其他基准方法。
Keyword:
Application configuration
deep reinforcement learning
mobile edge computing (MEC)
task offloading
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
Latency Minimization for UAV-Enabled URLLC-Based Mobile Edge Computing Systems支持UAV的基于URLLC的移动边缘计算系统的延迟最小化
PREAI
分享收藏MESON: A Mobility-Aware Dependent Task Offloading Scheme for Urban Vehicular Edge Computing介子: 一种基于移动感知的城市车载边缘计算任务卸载方案
OAAI
OAAI分享收藏Dependent Task Offloading in Edge Computing Using GNN and Deep Reinforcement Learning边缘计算中基于GNN和深度强化学习的依赖任务卸载OAAI
OAAI分享收藏分享收藏分享收藏A survey on task type-based computation offloading in mobile edge networks基于任务类型计算卸载在移动边缘网络中的调查.png)
AD HOC NETWORKS
AD HOC NETWORKSIF4.8
PREAI
分享收藏
查看更多内容