エッジコンピューティングを活用した産業IoTのための学習に基づくコンテキスト認識リソース割り当て

エッジコンピューティングは、リソースが制限された機械型デバイス（MTD）から強力なエッジサーバーへ計算集約的なタスクをオフロードすることにより、産業用モノのインターネット（IIoT）の実装をサポートする有望なパラダイムを提供します。しかし、エッジコンピューティングの性能向上は、限られたスペクトルリソース、容量制約のあるバッテリー、そしてコンテキストの認識不足により著しく妨げられる可能性があります。本論文では、効率的かつ信頼性のあるタスク配信にとって重要なチャネル選択の最適化を考慮します。エネルギー予算とサービスの信頼性の長期的な制約の下で、長期的なスループットを最大化することを目指しています。機械学習、リャプノフ最適化、およびマッチング理論の統合された力を活用し、サービスの信頼性認識、エネルギー認識、バックログ認識、競合認識を備えた学習ベースのチャネル選択フレームワークを提案します。厳密な理論的分析を提供し、提案されたフレームワークがローカルで因果的な情報のみに基づいて最適な性能からのバウンドされた偏差を持つ確実な性能を達成できることを証明します。最後に、単一MTDおよび複数MTDシナリオの下でシミュレーションを行い、提案されたフレームワークの有効性と信頼性を検証します。