论⽂学习报告_201106
论⽂学习报告_201106
这次论⽂学习，主要学习的内容是论⽂的Introduction和Related Work两部分。此次的学习成果主要是对于论⽂Introduction的框架整理，以及整理RelatedWork来⽅便⾃⼰以后查询研究的资料，把握研究⽅向。
Introduction 框架
1、 ⼀般背景（当前存在的问题，解决问题的研究的⼤⽅向）
随着技术的发展，对于⽹络速度与质量的要求越来越⾼。同时，随着移动设备的快速增加，促进了许多对于⾼性能应⽤的产⽣。尽管最近的移动设备具有强⼤的计算能⼒，但依然不能很好地执⾏⼀些计算密集型应⽤，例如⾃然语⾔处理等。（还可以简要介绍下云计算作为解决⽅案，同时提出云计算的缺陷如延迟问题，然后引出MEC）MEC是解决这个问题的⼀个很好的⽅案，它将计算服务部署在了边缘服务器上。（关于MEC的简单介绍）
2、 相关⼯作的介绍
3、 这些研究存在的局限性（没有解决的问题、没有考虑的情况）
4、 本⽂的研究内容
5、 本⽂的贡献
6、 本⽂剩下部分的结构安排（II为系统建模，III 为问题表述，IV提供解决⽅法，V为仿真结果，VI为总结）
论⽂整理
鹏权中学i. Computation Offloading Considering Fronthaul and Backhaul in Small-Cell Networks Integrated with MEC（集成MEC的⼩蜂窝⽹络中考虑前传和回传的计算分流）
Introduction:
1. background introduction->development of MDs（mobile device-> Current problems (当前存在的问题): due to the
limitation of the battery power, computation capacity and cache size. -> suggest solution: MEC
2. Related Work
1. Toward transcoding as a rvice:Energy-efficient offloading policy for green mobile cloud : 为了最⼩化能耗，设计了节
能计算卸载⽅案
2. Hybrid method for minimizing rvice delay in edge cloud computing through vm migration and transmission
power control：在考虑减少整体延迟的情况下研究卸载算法，该延迟是由传输过程和计算过程产⽣的。
3. Efficient multi-ur computation offloading for mobile-edge cloud computing：能量和等待时间作为⽹络成本组合在⼀
起，取决于哪⼀个，⽤户可以确定是否应卸载计算任务。
4. Joint computation and communication resource allocation in mobile-edge cloud computing networks：将计算分流与
资源分配⼀起考虑
工资支付
5. Joint optimization of radio and computational resources for multicell mobile-edge computing：提出了⼀种迭代算法来
提⾼资源利⽤效率 [10]研究了多信道⽆线环境中的多⽤户计算卸载问题
6. Joint allocation of computation and communication resources in multiur mobile cloud computing提出了⼀种⽅
法，可以共同优化发射功率，每个符号的位数和分配给每个应⽤程序的CPU周期，从⽽降低移动端的功耗。
7. Share communication and computation resources on mobile devices: a social awareness perspective计算和通信资
源根据移动设备的社交关系在它们之间共享
The limitations of current rearches and propo a solution for the problem
3. The content and contribution of this paper
研究⽬的：对于与MEC集成的⼩型⼩区⽹络（SCN），应考虑SCN的前向和后向链路。 这是因为前者向UE提供⽆线接⼊，⽽后者向UE提供计算能⼒。
研究问题：使⽤MEC在多⽤户和多SC⽅案中的计算分流⽅案
4. Organization of the rest of this paper
ii. Joint Computation Offloading and Service Caching for MEC in Multi-access Networks（多址⽹络中MEC的联合计算分流和服务缓存）
Introduction
1. The background:(current situation) -> new problem -> solution:(MEC)
2. The introduction of the specific rearch field(computation offloading decision-making)
3. The related work
1. A distributed computation offloading strategy in small-cell networks integrated with mobile edge computing在多⽤户场景中，研究
了⼀种分布式计算卸载策略。
2. Joint task offloading and resource allocation for multi-rver mobile-edge computing networks考虑到多⽤户和多服务器的MEC场
景，提出了⼀种新颖的启发式算法，其中调整了卸载策略的选择以最⼩化MU的能耗。
3. Efficient computation offloading for multi-access edge computing in 5g hetnets计算卸载的效率在很⼤程度上取决于对卸载策略的决
定。
4. Multi-ur computation offloading with d2d for mobile edge computing研究了⼀种新型的MEC⽹络中的计算卸载，其中MU可以通过
蒜苔怎么做
D2D通信或MEC服务器将任务卸载到分布式计算节点（DCN），并将MU的卸载决策问题表述为顺序博弈。
5. Joint rvice caching and task offloading for mobile edge computing in den networks：与在DCN和边缘服务器上完成的与计算任务
小萨摩耶相关的数据库的缓存。
4. The rearch content of this paper/the contribution of this paper
研究内容：在本⽂中，我们考虑⼀个MEC系统，其中多个基站为异构处理任务的多个MU服务，并研究计算卸载策略，⽬的是通过优化卸载决策来最⼤程度地减少计算卸载开销，同时考虑到服务缓存，D2D通信 和多址⽹络中的机会⽹络
⾸先，我们表⽰系统模型并将主要问题表述为顺序博弈问题。
此外，我们提出了⼀种次优算法，即基于博弈论（OSGT）的卸载策略来解决该问题。
5. Organization of the rest of this paper
iii. Joint Trajectory and Computation Offloading Optimization for UAV-assisted MEC with NOMA（带有NOMA的⽆⼈机辅助MEC的联合轨迹和计算分流优化）
Introduction
1. The background introduction about UAV.
2. The related work:
1. 3-D placement of an unmanned aerial vehicle ba station (UAV-BS) for energyefficient maximal coverage 为了最⼤化UAV基站
（UAV-BS）的覆盖范围，研究了有效的3-D放置⽅法以覆盖更多⽤户
2. On the number and 3D placement of drone ba stations in wireless cellular networks为了服务于特定区域，中的作者开发了次优算
法，以找到最⼩数量的UAV-BS及其位置。
3. Joint trajectory and power optimization for UAV relay networks优化了⽆⼈机的最终位置和功率，以最⼩化简单中继系统中的停电概率。
4. Caching UAV assisted cure transmission in hyper-den networks bad on interference alignment中，UAV⽤作移动缓存，为
⽤户提供了安全的视频传输，⽽空闲⼩型⼩区基站（SBS）进⾏了⼲扰调整。
5. Computation offloading game for an UAV network in mobile edge computing 以⽆⼈机作为移动⼩云，提出了针对⽆⼈机⽹络的计算卸
载博弈，其中优化了⽤户的卸载决策。
6. Mobile edge computing via a UAVmounted cloudlet: Optimization of bit allocation and path planning中的作者集中于通过UAV-
cloudlet进⾏移动边缘计算（MEC）中的位分配（bit Allocation）和路径规划。
3. The rearch content and contribution
本⽂在考虑⽆⼈机能耗和⽤户QoS约束的前提下，研究了⽆⼈机辅助MEC系统中轨迹和计算分流的联合优化。
4. Organization of the rest of this paper
iv. 基于延迟优化的联合任务分载⽤户MEC系统的调度与调度（Latency Optimization-bad Joint Task Offloading and Scheduling for Multi-ur MEC System）
1. General background:
The development of MDs needs The MEC according to the limitation of current computation capability.
2. Related Work
这部分研究⼯作研究单⽤户动态环境下的计算卸载问题。
初中诗词1. 在Powerconstrained edge computing with maximum processing capacity for IoT networks中，作者设计了针对不可预测任务的联合卸
载和功率分配⽅案，以最⼤化MEC系统的任务处理能⼒。
2. A cooperative partial computation offloading scheme for mobile edge computing enabled Internet of Things中的作者提出了云计
算服务器和MEC服务器之间的协作机制，并提出了⼀种基于分⽀和边界算法的计算卸载策略。
这部分研究⼯作考虑了多⽤户MEC⽅案，假设MD的任务是不可分割的，并研究了⼆进制卸载问题。也就是说，任务可以在本地执⾏，也可以卸载到MEC服务器上。
3. Energy-efficient resource allocation for mobile-edge computation offloading考虑了任务卸载和资源分配问题，并提出了
⼀种联合优化⽅案，以在计算等待时间的约束下最⼩化移动能源消耗的加权和。
4. Computation rate maximization for wireless powered mobile-edge computing with binary computation offloading为了
优化加权和的计算速率，提出了⼀种针对多⽤户⽆线电⼒MEC系统的最优联合计算模式选择和调度策略。
5. Mobile edge computing empowered energy efficient task offloading in 5G提出了⼀个基于能量优化的计算卸载问题。通过
应⽤⼈⼯鱼群算法，解决了提出的问题，获得了次优的计算卸载策略。
这部分研究⼯作考虑了多⽤户MEC⽅案应⽤了部分卸载⽅案，该⽅案允许将⼀项任务划分为⼩部分，并且可以本地计算不同的部分并将其独⽴地卸载到MEC服务器上。
6. Joint offloading and computing optimization in wireless powered mobile-edge computing systems
受益于MD和MEC服务器的并⾏计算效率，可以显着提⾼MD的执⾏性能。
7. Offloading schemes in mobile edge computing for ultra-reliable low latency communications将部分计算分流问题表述为
任务执⾏延迟最⼩化问题，并提出了启发式搜索算法和半确定松弛算法来解决该问题。
8. Latency optimization for resource allocation in mobile-edge computation offloading中的作者研究了多⽤户MEC系统的联
颐和园课文
合计算分流和资源分配问题，并提出了⼀种联合⽅案，该⽅案可以最⼤程度地减少任务执⾏的延迟。
Limitation: 尽管上述研究考虑了各种卸载⽅案并旨在设计最佳卸载策略，但他们未能共同⼴泛地考虑计算卸载和调度，尤其是在允许部分卸载的前提下。
3. The rearch content and contribution
我们共同研究了多服务器MEC系统中多个MD的计算分流和调度问题。
4. Organization of the rest of this paper
v. Joint Channel Allocation and Resource Management for Stochastic Computation Offloading in MEC（MEC中⽤于随机计算卸载的联合通道分配和资源管理）
春种一粒粟拼音Introduction
1. ⼀般背景：对⽹络速度和服务质量的要求不断提⾼->Cloud Computation->过⾼的服务延迟->MEC的介绍与应⽤例⼦
1. （引出研究⽅向）计算卸载->专⽤信道分配问题
2. 考虑资源管理的必要性
2. 研究内容与贡献
研究问题：
卸载下载通道分配建模为虚拟mB节点与可⽤通道集之间的加权最⼤匹配问题。
考虑了任务转发，任务执⾏和任务结果下载的能耗。
研究内容
a)分层计算卸载框架
b)联合通道分配和资源管理的⽅案，称为JCRM
c)从⽹络最佳性和任务缓冲区稳定性⽅⾯理论上验证了我们提出的JCRM的性能
车的笔顺
Related work
1. Dynamic computation offloading for mobile-edge computing with energy harvesting devices提出了在保持缓冲器稳定性的同时将功耗
最⼩化的问题。
2. Energy-delay tradeoff for dynamic offloading in mobile-edge computing system with energy harvesting devices研究了⼯作负载平
衡计划和下载计划，特别是对于延迟敏感的任务。
3.Stochastic joint radio and computational resource management for multi-ur mobile-edge computing systems提出了⼀种⽤于
多⽤户边缘系统的随机联合⽆线电和计算资源管理。这项⼯作考虑了基于OFDMA的通信技术，并将频带（B）划分为⼏个相等的⼦带。
3. Multi-ur multi-task computation offloading in green mobile edge cloud computing中还提出了⼀种Lyapunov和博弈论的多任务多⽤
户卸载⽅案。 ⽆线设备（WD）的绿⾊能源收集功能是这项⼯作的主要关注点。此外，该⼯作提出了⼀种分散式架构，其中可以通过多个WD来执⾏单个MD的任务加载。
4. Decentralized computation offloading game for mobile cloud computing完成了更多的博弈论⽅法。 在MD本地做出卸载决策，这有助于
减少云中的控制和信令开销。
5. Stochastic computation offloading and scheduling bad on mobile edge computing设计了⼀种在线本地学习算法，以在时变的通信
质量和计算资源中找到最佳的任务卸载策略。
6. On efficient offloading control in cloud radio access network with mobile edge computing在C-RAN和MEC的混合卸载架构中提出了
多级双⼯匹配。 在最⼩化⽤户拒绝率（与卸载任务）⽅⾯，分配模型实现了接近最佳的性能。
7. Joint load balancing and offloading in vehicular edge computing and networks提出了具有车辆移动性条件的多服务器场景中的联合负载
平衡，以满⾜延迟阈值。关键贡献在于最⼤化系统实⽤性，该系统实⽤性进⼀步基于可实现的延迟⽽转移到服务器选择问题。
8. Joint task offloading and resource allocation for multi-rver mobile-edge computing networks将⽹络实⽤程序建模为任务完成时间
和设备能耗改善的加权总和。
9. “Computation offloading and resource allocation in vehicular networks bad on dual-side cost minimization提出了⼀种双侧优化
模型，以独⽴地最⼩化⽤户侧的传输计算成本和基站侧的带宽功率分配成本。 因此，独⽴的多边模型保留了两端的性能提升。
10. Computation resource allocation and task assignment optimization in vehicular fog computing: A contract-matching approach
提出了⼀种基于合同匹配的⽅法，其中车辆的计算资源可以与⽤户设备共享。
