.png){kind=icon}
返回
Sustainable Energy-Efficient Multi-Objective Task Processing Based on Edge Computing
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSM.2025.3553259.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着智慧城市的演进，日益增长的计算需求对基础设施造成压力。将任务卸载至边缘云数据中心提供了潜在解决方案，但面临高延迟、能耗和数据泄露等挑战，尤其是在人口密集的城区。本文提出了一种低延迟、高能效的数字孪生（DT）架构，专为智慧城市设计，通过整合边缘计算（EC）和多部智能反射面（IRS）来增强通信性能。考虑采用动态电压和频率调整（DVFS）技术为用户设备降低能耗。为缓解任务卸载过程中用户隐私泄露风险，针对可能暴露的敏感用户位置数据，本文提出了一种基于差分隐私（DP）的扰动滑动任务队列（PSTQ）算法，并验证了其有效性。为优化任务处理时间和能效，通过块坐标下降法分解复杂问题，并基于Karush-Kuhn-Tucker条件和深度强化学习（DRL）提出了智能调度可持续能效（ISES）算法。实验结果表明，所提架构与算法在关键优化目标上实现了超过90%的提升，既减轻了现有设备的计算压力，又显著提高了任务处理效率与能源可持续性。
Keyword:
Edge computing (EC)
energy-efficient
intelligent reflective surface (IRS)
dynamic voltage and frequency scaling (DVFS)
differential privacy (DP)
期刊
IF:
5.4
论文数:
631
被引数:
9.2K
机构
引用论文
Energy Efficient Multi-User Communications Aided by Reconfigurable Intelligent Surfaces and UAVs
.png){kind=icon}
PREAI
分享收藏
分享收藏Deep-Reinforcement-Learning-Based IRS for Cooperative Jamming Networks Under Edge Computing边缘计算下基于深度强化学习的协同干扰网络IRS
PREAI
分享收藏
查看更多内容