返回
Fair Joint Offloading and Consensus Optimization in Blockchain-Enabled Mobile Edge Computing
DOI:10.1109/tmc.2026.3683699.png)
摘要
En 中文
区块链赋能的移动边缘计算(MEC)必须在高度异构的AIoT设备下联合优化任务卸载和共识最终性,其中延迟/能量约束和公平敏感的激励机制与时间变化的验证者可靠性共存。我们提出FE-CTDE,一个统一框架,耦合(1)一个达到唯一均衡并减少效用差异的Stackelberg定价与分配层,(2)一个可靠性感知的动态BFT委员会和区块打包机制,在间歇性连接下稳定确认延迟,以及(3)一个集中式训练/分布式执行的多智能体策略,在运行时仅要求本地观测即可输出连续卸载比例。在多样化异构性、工作负载突发性和链路间歇性上的广泛模拟表明,FE-CTDE在减少端到端延迟/能量并维持更高有效共识吞吐量的同时,持续提升社会福利和公平性,相比强基线提升高达22.23%。我们进一步报告了协议/学习开销,并提供了可重现的实现细节。
Keyword:
Mobile edge computing
blockchain
task offloading
consensus optimization
fair resource allocation
期刊
IF:
9.2
论文数:
5.9K
被引数:
1.8W
机构
引用论文
A QoS-Aware Technique for Computation Offloading in IoT-Edge Platforms Using a Convolutional Neural Network and Markov Decision Process使用卷积神经网络和马尔可夫决策过程在IoT边缘平台中进行计算卸载的QoS感知技术
IT PROFESSIONAL
IF2.6
Blockchain-Integrated UAV-Assisted Mobile Edge Computing: Trajectory Planning and Resource Allocation区块链集成无人机辅助移动边缘计算: 轨迹规划和资源分配
Decentralized Convex Optimization for Joint Task Offloading and Resource Allocation of Vehicular Edge Computing Systems面向车载边缘计算系统联合任务卸载和资源分配的分散式凸优化
Blockchain-Secured Task Offloading and Resource Allocation for Cloud-Edge-End Cooperative Networks云-边-端协作网络的区块链安全任务卸载和资源分配
Virtual Network Embedding for Task Offloading in IIoT: A DRL-Assisted Federated Learning Scheme面向IIoT任务卸载的虚拟网络嵌入: 一种DRL辅助的联邦学习方案
Deep Reinforcement Learning for energy-aware task offloading in join SDN-Blockchain 5G massive IoT edge network深度强化学习在join SDN区块链5g massive IoT edge网络中实现能量感知任务卸载

