1. Реконфигурируемые интеллектуальные наземные мобильные пограничные вычисления по прерывистым каналам миллиметрового диапазона (arXiv)

Автор: Фатима Эззара Айрод, Маттиа Мерлуцци, Паоло Ди Лоренцо, Эмилио Кальванезе Стринати.

Аннотация:Появление реконфигурируемых интеллектуальных поверхностей (RIS) в сетях беспроводной связи открывает способ поддержки высокочастотного радиодоступа (например, в миллиметровом диапазоне) при преодолении их чувствительности к наличию глубоких замираний и блокировок. В поддержку этого видения эта работа демонстрирует дальновидное восприятие использования RIS для улучшения возможности подключения каналов связи в сценариях граничных вычислений для поддержки услуг по разгрузке вычислений. Мы рассматриваем многопользовательскую систему MIMO и формулируем задачу долгосрочной оптимизации, направленную на обеспечение ограниченной сквозной задержки при минимальной средней мощности передачи пользователей путем совместного выбора предварительного кодирования пользователя восходящей линии связи, параметров отражательной способности RIS и вычислений. ресурсов на пограничном мобильном хосте. Благодаря совмещению стохастической оптимизации Ляпунова, методов прогнозируемого градиента и выпуклой оптимизации задача эффективно решается на основе каждого слота, требуя только наблюдения мгновенных реализаций изменяющихся во времени радиоканалов и поступлений задач, а также связи и связи. вычислительные буферы. Численное моделирование показывает эффективность нашего метода и преимущества RIS в нахождении наилучшего компромисса между энергопотреблением и задержкой для различных условий блокировки, а также при различных уровнях знаний о каналах.

2.R-Drive: отказоустойчивое хранение и совместное использование данных для мобильных граничных вычислительных систем (arXiv)

Автор:М. Сагор, Р. Столеру, С. Буниа, М. Чао, А. Харун, А. Альтавил, М. Морис, Р. Блэлок

Аннотация. Системы мобильных граничных вычислений (MEC) (в которых интенсивные вычисления и задачи хранения данных выполняются локально из-за отсутствия коммуникационной инфраструктуры для подключения к облаку) в настоящее время разрабатываются для приложений реагирования на стихийные бедствия. и для тактических условий. Приложения MEC для этих сценариев генерируют и обрабатывают важные критически важные и личные данные, которые требуют отказоустойчивого и безопасного хранения и совместного использования. В этой статье мы представляем дизайн, реализацию и оценку R-Drive, отказоустойчивой системы хранения и обмена данными для реагирования на стихийные бедствия и тактических приложений MEC. R-Drive использует кодирование со стиранием и шифрование данных, обеспечивая отказоустойчивое и безопасное хранение данных на случай сбоя устройства. R-Drive адаптивно выбирает параметры кодирования затирания, чтобы обеспечить максимальную доступность данных при минимальных затратах на хранение. Распределенная служба каталогов R-Drive предоставляет отказоустойчивое и безопасное пространство имен для файлов со строгим контролем доступа. R-Drive использует оппортунистические сети, позволяя хранить данные и обмениваться ими в мобильных и слабо связанных периферийных вычислительных средах. Мы внедрили R-Drive на Android и интегрировали его с существующими приложениями MEC. Результаты оценки производительности показывают, что R-Drive обеспечивает надежное и безопасное хранение и совместное использование данных.

3. Эволюционное многоцелевое обучение с подкреплением, основанное на управлении траекторией и разгрузке задач в мобильных пограничных вычислениях с помощью БПЛА (arXiv)

Автор:Fuhong Song, Huanlai Xing, Xinhan Wang, Shouxi Luo, Penglin Dai, Zhiwen Xiao, Bowen Zhao

Аннотация. В этой статье исследуется проблема управления траекторией и разгрузки задач (TCTO) в мобильной граничной вычислительной системе с помощью беспилотного летательного аппарата (БПЛА), где БПЛА летит по запланированной траектории для сбора вычислительных задач из интеллектуальные устройства (SD). Мы рассматриваем сценарий, при котором SD не связаны напрямую с базовой станцией (BS), а БПЛА выполняет две роли: MEC-сервера или беспроводного ретранслятора. БПЛА принимает решения о выгрузке задач в режиме онлайн, при этом собранные задачи могут выполняться локально на БПЛА или выгружаться на БС для удаленной обработки. Проблема TCTO включает в себя многокритериальную оптимизацию, поскольку ее цели состоят в том, чтобы свести к минимуму задержку задачи и потребление энергии БПЛА, а также максимально увеличить количество задач, собранных БПЛА одновременно. Эта проблема является сложной, потому что три цели противоречат друг другу. Существующие алгоритмы обучения с подкреплением (RL), будь то одноцелевые RL или многоцелевые RL с одной политикой, не могут хорошо решить проблему, поскольку они не могут выводить несколько политик для различных предпочтений (т. Е. Весов) по целям за один прогон. Эта статья адаптирует эволюционный многоцелевой RL (EMORL), мультиполитический многоцелевой RL, к проблеме TCTO. Этот алгоритм может вывести несколько оптимальных политик всего за один запуск, каждая из которых оптимизирует определенный параметр. Результаты моделирования показывают, что предложенный алгоритм может получить более совершенные недоминируемые политики, установив баланс между тремя целями, касающимися качества политики, по сравнению с двумя эволюционными и двумя алгоритмами RL с несколькими политиками.