.png){kind=icon}
返回
Integrated Resource Allocation for Sequential Task Offloading in Edge Computing
.png){kind=icon}
PRE
AI
DOI：10.1109/TSC.2025.3589122.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在边缘计算中，终端设备（EDs）将任务容器化并配备必要的资源，然后将任务子集卸载至附近的高容量边缘服务器（ES）以提高效率。现有研究大多关注不可分割的任务卸载以最小化响应时间，或资源分配以降低能耗。然而，通过过度的计算和网络资源可以加快任务执行速度，但这会增加能耗并导致不必要的成本增加。此外，自动驾驶等复杂应用通常将顺序任务进行划分以提高性能，这需要联合优化顺序任务卸载和多资源分配。在本文中，我们引入一个基于Stackelberg博弈的框架来建模这些元素之间的相互作用。EDs作为领导者，确定顺序任务的卸载断点和处理本地性。作为跟随者的ES利用Karush-Kuhn-Tucker（KKT）条件和边界约束的准粒子群优化（Bc-qPSO）算法来优化计算和网络资源分配，旨在有效降低系统成本。我们的仿真结果表明，所提出的算法相比传统方法可降低约10%-20%的成本，突显了其在提高边缘计算系统效率方面的潜力。
Keyword:
Sequential task offloading
resource allocation
Stackelberg game
Karush-Kuhn-Tucker (KKT) condition
期刊
IF:
5.8
论文数:
2.2K
被引数:
6.5K
机构
引用论文
Smart Healthcare: RL-Based Task Offloading Scheme for Edge-Enable Sensor Networks.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏Efficient Dependent Task Offloading for Multiple Applications in MEC-Cloud SystemMEC云系统中多应用的高效依赖任务卸载
PREAI
分享收藏
分享收藏Computer Vision Models in Intelligent Aquaculture with Emphasis on Fish Detection and Behavior Analysis: A Review智能水产养殖中的计算机视觉模型，重点是鱼类检测和行为分析: 综述
PREAI
分享收藏PMFL: Partial Meta-Federated Learning for heterogeneous tasks and its applications on real-world medical recordsPMFL：用于异构任务的混合元联邦学习及其在真实世界医疗记录中的应用
OAAI
OAAI分享收藏
查看更多内容