.png){kind=icon}
返回
A Multi-Layered Distributed Computing Framework for Enhanced Edge Computing
.png){kind=icon}
PRE
AI
DOI：10.1109/TVT.2025.3614551.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物联网和边缘计算的兴起已将计算资源向终端用户靠近，为众多对延迟敏感、计算密集型应用带来了益处。为加速计算，分布式计算是一种有前景的技术，它允许在多个计算节点上并行执行任务。然而，当前研究主要围绕主从模式展开，限制了资源在一跳邻域内的共享。这一限制可能导致在资源有限或连接受限的场景下分布式计算失效。本文通过引入一种新的分布式计算框架解决了这一问题，该框架通过探索多跳卸载和分层网络结构，扩展了资源共享范围至多跳邻域。我们的框架涉及将网络图转化为最短路径树，并基于分层树结构对任务分配与调度构建联合优化问题。为求解此问题，我们提出了两种精确方法以寻找最优解，以及三种启发式策略以提高效率和可扩展性。通过理论分析和全面的仿真研究，分析了并评估了这些方法的表现。结果表明，这些方法在性能上优于传统的分布式计算和计算卸载策略。
Keyword:
Edge computing
distributed computing
multi-hop offloading
期刊
IF:
7.1
论文数:
1.8W
被引数:
6.6W
机构
引用论文
分享收藏Wu, J.; Zou, Y.; Zhang, X.; Liu, J.; Sun, W.; Du, G. Dependency-Aware Task Offloading Strategy via Heterogeneous Graph Neural Network and Deep Reinforcement Learning. IEEE Internet Things J. 2025, 12, 22915–22933. [Google Scholar] [CrossRef]Wu, J.; Zou, Y.; Zhang, X.; Liu, J.; Sun, W.; Du, G. 基于异构图神经网络和深度强化学习的依赖感知任务卸载策略。IEEE Internet Things J. 2025, 12, 22915–22933. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Computation Rate Maximization in UAV-Enabled Wireless-Powered Mobile-Edge Computing Systems支持无人机的无线移动边缘计算系统中的计算速率最大化
OAAI
OAAI分享收藏On Batch-Processing Based Coded Computing for Heterogeneous Distributed Computing Systems异构分布式计算系统中基于批处理的编码计算研究
OAAI
OAAI分享收藏
查看更多内容