边缘计算相关论文汇总
刚读研发现找论文真的很累 给大伙做个论文汇总吧 近三年ccf A B期刊论文（无会议论文）
资源链接：https://download.csdn.net/download/m0_48007757/14782275
调度：
Data-intensive application scheduling on Mobile Edge Cloud Computing---2020
提出了一种移动应用卸载算法来调度MECC环境中的数据密集型移动应用。该算法生成应用执行计划，该计划考虑应用大小、输入数据大小、可用网络带宽和移动设备能量。
Makespan-Minimization Workflow Scheduling for Complex Networks with Social Groups in Edge Computing---2020
本文研究了具有社会群体的复杂网络在边缘计算环境下的最大完工时间最小化工作流调度问题，并将该问题表述为一个整数规划。由于每个设备的能量容量有限、工作流任务之间的依赖性以及网络的复杂性，为相关问题实现可行的调度解决方案是具有挑战性的。因此，我们提出了一系列任务分配策略来处理工作流中不同类型的任务。这些策略进一步与贪婪策略相结合，以构造改进的贪婪搜索(IGS)算法，该算法能够生成满足所有约束的可行解。此外，我们还提出了一种改进的复合启发式(ICH)算法，该算法使用IGS来初始化可行解，并使用两层改进方案来进一步提高初始解的质量。
Online Deadline-Aware T ask Dispatching and Scheduling in Edge Computing---2020
本文研究了边缘计算中在线截止期感知的任务调度问题。使用网络和计算资源的联合优化来研究具有带宽约束的截止期感知任务调度和调度。考虑网络和计算资源的管理，以满足最大数量的截止日期。提出了一种在线算法，称为D-dedas，它贪婪地调度新到达的任务，并考虑是否替换一些现有的任务，以满足新的截止日期.
Offspeeding: Optimal energy-efficient flight speed scheduling for UAV-assisted edge computing---2020（飞行调度）
研究了无人机辅助边缘计算的节能飞行速度调度问题。与大多数已有工作不同，本文主要研究在单个任务执行期限和通信距离的约束下，通过一个实用的能量模型，分配合适的飞行速度，使无人机的能量消耗最小化的飞行速度调度问题。具体来说，我们将EESS问题公式化，并设计一个新颖的图表来可视化和分析问题
OnDisc: Online Latency-Sensitive Job Dispatching and Scheduling in Heterogeneous Edge-Clouds---2019
研究了边缘云系统中的在线作业调度和调度问题，其中作业由移动设备以任意顺序和时间发布，并卸载到具有上传和下载延迟的无关服务器。我们为这个问题提出了一个通用模型，目标是使所有工作的总WRT最小化
Lane scheduling around crossroads for edge computing based autonomous driving---2019(车联网)
本文提出了一种新的基于边缘计算的车道调度系统模型，用于研究十字路口周围车辆(普通车辆和特殊车辆)的车道调度问题
A scheduling algorithm for autonomous driving tasks on mobile edge computing servers---2019(车联网)
使MEC服务器尽可能多地执行和完成这些时间限制的自动驾驶任务是一个关键问题。为此，在改进的最早截止日期优先算法的基础上，通过任务的替换和重组，提出了一种考虑自主驾驶任务特点的任务调度算法，通过任务迁移选择更合适的MEC服务器。
Scheduling multiple agile earth observation satellites with an edge computing framework and a constructive heuristic algorithm---2019
本文研究了多AEOS调度问题。
Online task scheduling for edge computing based on repeated stackelberg game---2018
提出了一种在线任务调度的边缘计算
Joint optimization of data placement and scheduling for improving user experience in edge computing---2018
Energy-Efficient Scheduling of Interactive Services on Heterogeneous Multicore Processors
提出了一个在线调度算法，FPS，以提高受质量和截止时间约束的交互式服务器的吞吐量。FPS可以在不知道实际服务需求的情况下，有效地将长请求调度到快核，将短请求调度到慢核。
卸载：
Energy-Aware Inference Offloading for DNNDriven Applications in Mobile Edge Clouds---2021
我们研究了以移动设备、5G基站和云的总能耗最小为目标的5G多小区MEC网络的负载均衡推理。我们首先利用随机取整技术，提出了接纳单个推理请求的推理卸载问题的精确和近似解。然后，我们为在线推理卸载问题设计了一个基于学习的在线算法。还提出了一种卸载延迟方法，旨在最小化多个已提交推理请求的能耗。
Multi-Agent Imitation Learning for Pervasive Edge Computing: A Decentralized Computation Offloading Algorithm---2021
本文提出了一种普适边缘计算网络中基于多智能体模仿学习的计算卸载算法，目的是最小化每个设备的平均任务完成时间。首先建立了基于普适边缘计算的系统模型，并将基于部分观测的任务调度问题表述为一个优化问题.
A Deep Reinforcement Learning based Offloading Game in Edge Computing---2020
本文考虑了动态环境下边缘计算用户间的动态计算卸载决策问题，提出了一种计算卸载博弈公式
Joint task offloading and data caching in mobile edge computing networks---2020
探索了一种系统，在该系统中，移动设备将一些复制任务迁移到边缘网络，并共享计算任务所需的数据。针对MEC网络协同缓存系统，提出了一种联合计算卸载和数据缓存算法。此外，利用排队论分别分析了该机制下的处理延迟和传输延迟。此外，优化问题已经通过在长期能量限制下最小化所有移动设备的总执行延迟来定义。基于李雅普诺夫优化和遗传算法，提出了一种高效的在线算法，可以针对时空任务流行模式定制数据缓存决策。仿真结果表明，该算法在任务卸载和数据缓存方面优于传统方案，能够在满足长期能量约束的同时有效降低移动设备的整体计算延迟
Optimal auction for delay and energy constrained task offloading in mobile edge computing---2020
研究了在移动边缘计算中找到任务卸载策略的问题，该策略确保边缘服务器获利，同时移动设备在最后期限内使用最少的能量接收其任务的结果。为此，我们提出了一种拍卖机制，将边缘服务器分配给移动设备上的任务，并为计算服务设置支付
The partial computation offloading strategy based on game theory for multi-user in mobile edge computing environment---2020
研究多无线信道移动边缘计算环境中多用户的部分计算卸载问题。基于博弈论建立了计算开销模型。然后，证明了纳什均衡的存在性。此外，给出了实现纳什均衡的低时间复杂度的部分计算卸载算法。此外，为了降低计算开销，给出了另一种面向移动设备用户的部分计算任务卸载机制，该机制具有足够的能量，只关注计算时间开销。
A survey on the computation offloading approaches in mobile edge computing: A machine learning-based perspective---2020
探索了MEC生态系统中与基于最大似然估计的卸载机制相关的不同技术和新方法。接下来，我们提出了一个分类法来分类基于最大似然的卸载机制的各种原则。我们提出的分类法分为三个主要领域:强化学习、监督学习和非监督学习。然后，基于诸如性能度量、案例研究、所使用的技术、评估工具以及它们的优点和缺点等基本因素，对所应用的方法进行相互比较
A survey on the computation offloading approaches in mobile edge computing: A machine learning-based perspective---2020
出了一个分类法来分类基于最大似然的卸载机制的各种原则。我们提出的分类法分为三个主要领域:强化学习、监督学习和非监督学习。然后，基于诸如性能度量、案例研究、所使用的技术、评估工具以及它们的优点和缺点等基本因素，对所应用的方法进行相互比较
Latency-energy optimization for joint WiFi and cellular offloading in mobile edge computing networks---2020
基于单个应用程序的MTs任务生成的统计特性，提出了一种联合的WiFi和蜂窝卸载，它可以作为计算任务卸载的策略指导，而无需重复执行优化算法
Optimal Energy Allocation and Task Offloading Policy for Wireless Powered Mobile Edge Computing Systems---2020
研究了具有动态任务到达时间的单用户无线动力MEC系统的最优联合能量和任务分配问题
Offloading and Resource Allocation with General Task Graph in Mobile Edge Computing: A Deep Reinforcement Learning Approach---2020
提出了一个DRL框架来联合优化卸载决策和资源分配，目标是最小化移动设备能耗和任务执行时间的加权和
Joint Optimization of Service Caching Placement and Computation Offloading in Mobile Edge Computing Systems---2020
一个缓存辅助的单用户MEC系统，在这个系统中，服务器可以有选择地缓存以前生成的程序，以便将来重用。为了最小化计算延迟和能耗，我们研究了服务缓存放置、计算卸载决策和系统资源分配的联合优化。我们首先通过分别导出最优资源分配的封闭形式表达式，将复杂的MINLP问题转化为纯0-1迭代学习规划问题。然后，我们提出了降低复杂度的算法，通过固定卸载决策来获得最优缓存位置，反之亦然。我们进一步设计了交替最小化来交替更新缓存放置和卸载决策。
Risk-Aware Data Offloading in Multi-Server Multi-Access Edge Computing Environment---2020
本文介绍了一种在多MEC服务器环境中确定每个用户最优数据卸载的新方法，同时考虑了由于多MEC系统带来的计算和通信不确定性而导致的用户的风险寻求或损失规避行为
Heterogeneous Edge Offloading With Incomplete Information: A Minority Game Approach---2020
提出了一种基于少数博弈的卸载算法将分布式环境中的异构任务卸载问题公式化为一个少数人游戏，其中每个玩家必须在每一轮中独立做出决策，最终站在少数人一边的玩家获胜.提出了一种基于多智能体的方案，其中任务被分成子任务，并被指示形成尽可能多的组，而剩下的任务被调度以概率方式执行决策调整。（基于博弈）
Learning Driven Computation Offloading for Asymmetrically Informed Edge Computing---2019
提出了一种学习驱动的算法，以准确预测在这种不对称信息的边缘计算环境中所有任务的测试时间。基本思想是通过利用终端设备和边缘服务器配置之间的潜在相关性，仅使用一小部分采样的终端设备来预测未知的终端设备。接下来，我们将任务卸载问题公式化为一个约束优化问题，不幸的是，这个问题被证明是NP难的。为了应对上述挑战，我们设计了一种任务卸载算法，称为最大效率优先排序(MEFO)，以实现接近最优的效率。
Optimal Task Offloading and Resource Allocation in Mobile-Edge Computing with Inter-user Task Dependency---2019
研究了两用户MEC网络中用户间任务相关性对任务卸载决策和资源分配的影响。我们提出了有效的算法来优化资源分配和任务卸载决策，目标是最小化WDs的能耗和任务执行时间的加权和。此外，我们证明了最优卸载决策满足一个爬升策略，并在此基础上提出了一种降低复杂度的吉布斯采样算法来获得最优卸载决策
Dynamic Task Offloading and Scheduling for Low-Latency IoT Services in Multi-Access Edge Computing---2019
提出并研究了DTOS问题，该问题不仅解决了MEC网络中的任务调度问题，还解决了任务卸载、应用程序资源分配等问题。我们通过率先研究计算资源分配不确定情况下的任务调度问题，减轻了虚拟化技术能够自动修改其分配的计算资源的能力。鉴于DTOS的复杂性，我们提出了一种新的分解策略，实现了LBBD技术。我们新颖的DTOS-LBBD方法将问题分解为一个多任务问题，解决了任务卸载和应用资源分配问题；和多个服务点，每个服务点在一个单独使用的物联网应用上处理任务调度
Distributed Optimization for Computation Offloading in Edge Computing
考虑了在边缘计算网络中计算卸载和资源分配优化问题的组合。目标是在计算和功率使用的长期平均值的约束下最小化长期平均延迟。我们用李雅普诺夫优化的漂移加惩罚将问题转化为一个上界问题。然后提出了一种分布式算法，利用分支定界法来求解上界问题。在分支定界过程中，问题被松弛为凸优化问题，可以有效地求解，并导出与原解有有限间隙的上界问题的解。
Deep Reinforcement Learning for Online Computation Offloading in Wireless Powered Mobile-Edge Computing Networks---2019
出了一种基于深度强化学习的在线卸载算法，以最大化二进制计算卸载的无线MEC网络中的加权和计算速率。该算法从过去的卸载经验中学习，以通过强化学习来改进其由DNN生成的卸载动作。为了实现快速算法收敛，设计了保序量化和自适应参数设置方法。与传统优化方法相比，该算法完全消除了求解硬混合整数规划问题的需要
Near-optimal and Truthful Online Auction for Computation Offloading in Green EdgeComputing Systems---2019
Learning-Aided Computation Offloading for Trusted Collaborative Mobile Edge Computing---2019
本文研究了MEC系统中的在线可信合作卸载问题，明确考虑了协作中的信任风险和完成延迟的可变性。我们为可信协作MEC开发了一种新颖的在线学习辅助卸载机制。为了适应延迟可变性，我们利用延迟在线学习技术来预测延迟知识，作为多跳卸载决策的基础。理论分析和轨迹驱动仿真都验证了我们机制的有效性。
A Distributed Computation Offloading Strategy in Small-Cell Networks Integrated With Mobile Edge Computing---2018
在本文中，我们考虑与MEC集成的SCN的多设备和多MEC场景。为了追求个体计算需求和保证网络性能，我们提出了一个分布式开销最小化问题，该问题最小化了每个多维的开销，因此采用了一个潜在博弈理论来证明我们提出的策略博弈是一个潜在博弈问题。然后，通过潜在游戏的优秀收敛的壮举，在有限的改进内实现一个网络，我们开发了一个PGOA
Computation Offloading Scheduling for Periodic Tasks in Mobile Edge Computing---2019
提供了一个移动边缘计算系统中计算卸载的博弈分析，其中设备周期性地生成任务。我们证明了纯策略纳什均衡的存在性，刻画了它们的结构，并基于我们的构造性证明，提出了一个计算卸载决策均衡分配的分散算法。我们证明了该算法具有有界逼近比和二次最坏情况复杂度。
Optimal Mobile Computation Offloading With Hard Deadline Constraints---2019
考虑了移动计算卸载的情况，在这种情况下，任务完成时间受到硬截止时间的限制。与传统的卸载/不卸载执行决策不同，本文允许同时远程卸载和本地作业执行，这用于确保在随机通道条件下满足作业完成期限。当无线信道被建模为齐次马尔可夫过程时，本文考虑了这个问题。提出了在线优化算法，使平均能耗最小
Online learning offloading framework for heterogeneous mobile edge computing system--2019
本文提出了一个在线计算卸载框架，该框架考虑了异构MEC系统资源由基于服务器的云和自组织云组成
Offloading and system resource allocation optimization in TDMA based wireless powered mobile edge computing---2019
本文研究了时分多址卸载方式下多用户无线分组MEC系统的加权和计算速率最大化问题，并将该问题表述为系统资源管理和任务计算时间分配的联合优化问题。具体而言，开发了一种基于ADMM的分布式优化方法来解决该优化问题
An Incentive-Aware Job Offloading Control Framework for Multi-Access Edge Computing---2019
出了一个基于激励的多接入边缘计算网络卸载控制框架，该框架由一个无线接入网络(RAN)组成，该网络配备了一个具有有限计算能力的移动边缘服务器(MEC)，并通过向用户收取适当的经济费用将计算工作卸载到边缘来为多个资源饥渴的终端用户服务
An efficient method of computation offloading in an edge cloud platform---2019
所提出的基于深度学习的响应时间预测计算卸载方法利用了边缘/云计算的优势。它准确地确定是在邻居节点、边缘/雾节点还是云节点中卸载。所提出的卸载方法包括使用RBM学习技术来解决边缘/雾和云节点中资源可用性的随机性。实验结果表明，实现基于深度学习的响应时间预测框架提高了计算卸载的性能
Opportunistic computing offloading in edge clouds---2018
提出了一种自组织云辅助的机会计算卸载机制OPPOCO，用于提高移动用户的服务质量和服务质量。
An Offloading Method Using Decentralized P2P-Enabled Mobile Edge Servers in Edge Computing---2019
为了在边缘计算环境中提供高效的卸载服务，本文首先提出了一种基于P2P的分布式移动边缘服务器管理方案。此后，我们在MEC环境中提出了一种截止日期感知且经济高效的卸载方法
A Game-Theoretical Approach for User Allocation in Edge Computing Environment---2019
提出了EUAGame，一种在边缘计算环境中从应用供应商的角度解决边缘用户分配(EUA)问题的新的游戏理论方法.
DM2-ECOP: An Efficient Computation Offloading Policy for Multi-user Multi-cloudlet Mobile Edge Computing Environment---2019
提出了一个新的计算卸载策略来决定哪些用户应该卸载以及卸载到哪个cloudlet
QoE-driven computation offloading for Edge Computing ---2019
提出了一种在以用户为中心的边缘计算系统中由QoE驱动的浮点计算的新设计。为了最小化延迟和能量消耗的加权和，我们联合优化卸载决策、通信资源和计算资源分配。我们将该问题表述为混合整数非线性规划(MINLP)问题，并通过RLTBB算法求解优化问题
Task Offloading and Service Migration Strategies for User Equipments with Mobility Consideration in Mobile Edge Computing---2019
为了研究MEC移动用户设备的执行开销最小化问题，我们联合优化了任务卸载策略和服务迁移策略。我们首先分别提出能量最小化和延迟最小化问题，并针对不同移动性类型的用户设备提出三种任务卸载和服务迁移策略算法。然后，利用真实世界中记录用户设备运动轨迹的数据进行仿真实验。实验证明了算法的收敛性、算法降低用户设备开销的有效性以及各种关键参数的影响。本文考虑了一个离散移动场景，研究了三种简单移动类型对任务卸载和虚拟机迁移策略的影响。然而，有许多应用程序需要在连续的时间内执行，并且是更复杂的移动类型。因此，对于应用和移动类型，我们应该进一步研究任务卸载和服务迁移策略优化，以使场景更接近真实世界。
A Socially-Aware Hybrid Computation Offloading Framework for Multi-access Edge Computing---2019
提出了一种基于蒙特卡罗搜索树(MCTS)的节能任务分配方法，命名为TA-MCTS。首先，我们详细介绍了我们的系统模型，它是一个具有社会意识的D2D计算卸载系统。然后，为了使移动终端侧的整体能耗最小，我们制定了最优问题。我们的目标是让MEC服务器为一个应用集群制定一个最佳的组件分配策略序列。最后，我们提出了一种新的基于蒙特卡罗搜索树的优化任务分配方法来解决优化问题。与文献中的替代解决方案相比，我们提出的方法实现了最佳性能
ULOOF: a User Level Online Offloading Framework for Mobile Edge Computing---2018
本文介绍了ULOOF移动计算框架，这是一个用户级的在线计算卸载框架，包括一个创新的决策引擎，以降低移动设备的能耗和移动应用程序的执行时间
Multiuser Computation Offloading and Downloading for Edge Computing with Virtualization---2018
研究了多用户MEC系统中的联合无线电和计算资源分配，其中考虑了计算干扰问题。我们提出了两个优化问题:和卸载速率最大化和和能量最小化。为了实现速率最大化，我们首先为满足必要的最优条件的任何给定卸载用户集求解最优卸载数据大小和计算时间分配。然后，我们开发了一个基于丁克尔巴赫方法的优化算法来寻找最优卸载用户集。为了解决能量最小化问题，我们将原问题转化为便于调度设计的等价问题，并提出了一种寻找次优解的算法
Task Offloading for Mobile Edge Computing in Software Defined Ultra-Dense Network---2018
在本文中，我们首先提出了软件定义的超密集网络(SD-UDN)的体系结构。然后，我们提出了一种在边缘云上卸载任务或在本地处理任务的方案。为了最小化任务持续时间，计算资源被最优地分配给每个任务
Computation Peer Offloading for Energy-Constrained Mobile Edge Computing in Small-Cell Networks---2018
研究了在MEC支持的小蜂窝网络中的对等卸载方案，其中考虑了空间和时间域中的异构任务到达模式。我们开发了OPEN，这是一个新颖的在线对等卸载框架，用于在单个SBS投入的有限能源下优化边缘计算性能，而不需要关于未来系统动态的信息。
An Efficient Computation Offloading Management Scheme in the Densely Deployed Small Cell Networks With Mobile Edge Computing---2018
研究了MEC系统中的节能计算卸载管理方案，该方案考虑了计算卸载决策、功率控制、无线资源分配和计算资源分配。首先，描述了计算卸载模型，并将主要问题表述为MINLP问题，这显然是NP难的。其次，将粒子群算法和遗传算法相结合，提出了一种新的算法HGPCA
Task Offloading with Network Function Requirements in a Mobile Edge-Cloud Network--2018
本文研究了移动边缘云网络中一个新的任务卸载问题，其中每个卸载任务以最大容许延迟请求一个指定的网络功能服务，不同的请求在网络中有不同的网络功能服务。我们专注于在给定时间范围内最大化卸载任务的接纳数量，同时最小化被接纳请求的接纳成本
Dynamic Computation Offloading for Mobile-Edge Computing With Energy Harvesting Devices---2016
研究了具有EH移动设备的移动边缘计算(MEC)系统。采用处理执行延迟和任务失败的执行成本作为性能指标。然后提出了一种动态计算卸载策略，即基于李雅普诺夫优化的动态计算卸载算法。它是一种低复杂度的在线算法，几乎不需要先验知识。我们发现移动执行(计算卸载)的CPU周期频率(发射功率)相对于电池能量水平的单调特性，这揭示了环境健康对系统运行的影响。
Efficient Multi-User Computation Offloading for Mobile-Edge Cloud Computing---2016
提出了一种博弈论方法来解决移动边缘云计算中多移动设备用户之间的计算卸载决策问题。我们提出了一个多用户计算卸载游戏的问题，并展示了这个游戏的平衡。我们还设计了一个分布式计算卸载算法，该算法可以实现纳什均衡，导出收敛时间的上限，并量化其无政府状态的代价。数值结果表明，该算法获得了较好的计算卸载性能，并随着用户规模的增加而扩展
资源分配：
Resource Allocation Based on Deep Reinforcement Learning in IoT Edge Computing---2020
将物联网边缘计算系统的资源分配问题表述为一个MDP模型。为了解决这个问题，我们提出了一种改进的DQN算法，其中应用了多个重放存储器。仿真结果表明，在训练周期数相同的情况下，该算法比原DQN算法损失值小。此外，该算法还能获得较高的平均状态动作值和平均奖励值
Cost-Effective App Data Distribution in Edge Computing---2020
从应用供应商的角度将边缘计算环境中的边缘数据分布问题表述为一个约束优化问题。我们证明了EDD问题是NP难的。为了解决这个问题，我们提出了一种基于整数规划技术的EDD-IP优化方法，以最小化数据分发过程中的开销。由于EDD问题是NP难的，我们还提供了一种近似方法，称为EDD-阿，用于有效地寻找大规模EDD问题的近似解。
Efficient Computing Resource Sharing for Mobile Edge-Cloud Computing Networks---2020
在这篇文章中，我们提出了一个高效的框架，让MEC和云可以互相共享他们的计算资源，以提高他们的盈利能力
Clustered Virtualized Network Functions Resource Allocation based on Context-Aware Grouping in 5G Edge Networks---2019
本文提出了一种基于上下文感知分组(VNF-RACAG)技术的VNF资源分配方案，该方案使组(基于用户的地理上下文，如位置和速度)能够计算最优的簇数，以最小化网络服务的端到端延迟。然后，使用图划分算法来最小化集群之间的用户移动，优化用户由于VNF迁移而丢失的数据速率。
Joint Task Assignment and Resource Allocation for D2D-Enabled Mobile-Edge Computing---2019
研究了假设二进制任务卸载的D2D多助手MEC系统的联合任务分配、通信速率和计算频率分配。在时分多址通信协议下，我们的目标是在本地用户和助手的个体能量和计算能力约束下最小化整体计算延迟。由于公式化问题是一个一般情况下很难求解的MINLP问题，我们提出了一种有效的基于凸松弛的算法，在松弛问题的最优解的基础上构造一个次优的任务分配解。此外，还提出了一种固定计算频率的基准方案和一种基于贪婪任务分配的启发式算法，以达到复杂性和性能之间的平衡
Efficient Resource Allocation for Mobile-Edge Computing Networks with NOMA: Completion Time and Energy Minimization---2019
一个能量有效的优化问题，以最小化完成时间和基于上行链路NOMA的MEC网络的总能量的线性组合。对于一般的极小化问题，首先将其转化为等价问题，通过低复杂度的迭代算法可以有效地求解。对于只有最小化完成时间的特殊情况，我们通过二分法得到了最优解。对于具有无限云容量的特殊情况，我们根据一些变量变换成功地证明了它可以等价于一个凸问题
Energy Efficient Resource Allocation in UAV-Enabled Mobile Edge Computing Networks---2019（无人机资源分配）
Mobile Edge Computing Meets mmWave Communications: Joint Beamforming and Resource Allocation for System Delay Minimization
为基于毫米波的多用户MEC系统设计了一种有效的联合波束形成和资源分配方案
Energy-Efficient Resource Allocation for Secure NOMA-Enabled Mobile Edge Computing Networks---2019
一个存在恶意窃听者的上行链路NOMA使能的机器感知网络，其中两个用户在保密的考虑下通过相同的资源块同时将他们的部分计算任务卸载给接入点。我们首先用半封闭形式的表达式为两个用户获得最优的计算和通信资源分配，以最小化加权和能耗。然后，通过考虑两个用户的优先级，重点研究了秘密中断概率最小化问题，并用封闭形式表达式刻画了最优秘密卸载速率和功率分配。
Energy-efficient Runtime Resource Management for Adaptable Multi-application Mapping
研究了具有全局范围的映射分析如何提高多线程公司实时应用程序生成的时间表的质量。我们提出了一种在异构多核系统上调度应用的快速算法。所提出的方法实现了与最新技术相竞争的调度速率，同时将能量效率提高了大约13%。生成的解决方案与详尽获得的最佳计划相比只有3.6%的差距。该算法的运行速度比最先进的方法快一个数量级，使其成为集成到其他运行时资源管理器的良好候选。
Energy-aware strategies for reliability-oriented real-time task allocation on heterogeneous platforms
研究了在异构平台上执行周期性实时任务的问题，
MOERA: Mobility-agnostic Online Resource Allocation for Edge Computing---2018
究了边缘云系统的在线资源分配问题。我们确定了主要挑战，并通过一个全面的模型进一步抓住了所有挑战，其中我们将与边缘云操作、延迟、服务器重新配置以及服务迁移相关的成本作为优化目标。我们提出了MOERA，一种与移动性无关的在线算法，可以保证参数化的竞争比率
Latency Optimization for Resource Allocation in Mobile-Edge Computation Offloading---2017
研究了基于时分多址的多用户多址通信系统的联合通信和计算资源分配
可靠性
Effective Replica Management for Improving Reliability and Availability in Edge-cloud Computing Environment---2020
针对边缘云系统中的动态副本创建问题，提出了一种动态副本创建策略
Stability and Dynamic Control of Underlay Mobile Edge Networks---2018
设计了一个跨层流量控制和调度算法，该算法在稳定区域内最大化边缘网络的总集体效用。这是一种集中式算法，需要了解调度的边缘设备队列大小。我们还通过放松集中式算法的设计来研究分布式实现问题。描述了分布式操作的损失
Reliability-Optimal Cooperative Communication and Computing in Connected Vehicle Systems（车联网）
提出了一个理论分析框架，用于在协同车辆-基础设施系统中的协同计算优化，该框架考虑了车辆通信和计算的建模和优化。
Reliability Augmentation of Requests with Service Function Chain Requirements in Mobile Edge-Cloud Networks
研究了一个新的可靠性增强问题，该问题针对的是MEC网络中一个具有服务功能链和可靠性期望要求的准入请求。我们通过将冗余的VNF实例放入云来增强请求的服务可靠性
其他：
Latency Minimization for Intelligent Reflecting Surface Aided Mobile Edge Computing---2020
提出了一种用于MEC系统的内部参考系统。基于这个模型，一个延迟最小化问题被公式化，服从于对总的边缘计算能力和IRS相移的实际约束。开发了复杂的算法来优化计算和通信设置。在各种模拟环境下评估了在MEC系统中使用红外光谱的好处。从数量上来说，与传统的相比，设备平均计算延迟从177毫秒减少到139毫秒
MMDA: Multidimensional and Multidirectional Data Aggregation for Edge Computing-Enhanced IoT---2020
本文提出了一种高效的多维多向数据聚合(MMDA)方案，用于隐私保护边缘计算增强的物联网通信
Online Collaborative Data Caching in Edge Computing---2020
本文研究了电子商务环境下的协同缓存问题，目的是使系统成本最小化，包括数据缓存成本、数据迁移成本和服务质量损失。我们将这一协作边缘数据缓存问题(CEDC)建模为一个约束优化问题，并证明它是N-P-完全的。我们提出了一个在线算法，称为CEDC-0，以解决所有时隙的CEDC问题。CEDC-0是基于李雅普诺夫优化开发的，无需未来信息即可在线工作，并获得可证明的接近最优的性能。
Edge Server Placement in Mobile Edge Computing---2020
研究了大规模移动环境中边缘服务器的放置问题
All One Needs to Know about Fog Computing and Related Edge Computing Paradigms---2019
我们首先提供了一个关于雾计算及其相关计算范式的教程，包括它们的异同
Adaptive Online Decision Method for Initial Congestion Window in 5G Mobile Edge Computing using Deep Reinforcement Learning--2019
本文研究了移动边缘计算中的IW决策问题，即自适应调整初始拥塞窗口，使流量完成时间最优化，同时拥塞最小化。我们提出了一种自适应在线决策方法来解决这个问题，该方法使用深度强化学习来学习最佳策略(神经网络函数)。
Computational Load Balancing on the Edge in Absence of Cloud and Fog---2019
在本文中，为了在没有云和雾的情况下实现计算负载平衡，使用开放式杰克逊网络模型将传感器网络建模为队列网络。使用NS-3模拟验证网络条件是足够的，该模拟显示最坏情况下的延迟为毫秒。提出了各种新颖的反应式和主动式算法，与非卸载方案相比，这些算法显著提高了系统的性能
Energy-Aware Application Placement in Mobile Edge Computing: A Stochastic Optimization Approach---2019
解决了移动边缘计算系统中的能量感知应用布局问题。考虑到用户的移动性，这是MEC系统资源管理中的一个具有挑战性的问题，我们将该问题表述为一个多阶段随机规划。我们设计了一个基于贪婪SAA的并行算法来解决应用程序放置问题
Throughput Maximization of NFV-Enabled Multicasting in Mobile Edge Cloud Networks---2019
研究了移动边缘云网络中支持NFV的组播请求接纳。我们首先针对单个多播请求接纳的代价最小化问题，提出了一种具有近似比的近似算法。然后，我们提出了一个有效的算法，通过将问题简化为成本最小化问题来解决接纳给定多播请求集的吞吐量最大化问题。我们还研究了在线吞吐量最大化问题，其中NFV支持的多播请求在不知道未来到达的情况下一个接一个地到达，为此我们设计了一个具有可证明的竞争比的在线算法。
Joint Communication, Computation, Caching, and Control in Big Data Multi-access Edge Computing---2018
在本文中，我们为大数据MEC提出了一个联合通信、计算、缓存和控制(4C)框架。在这个框架中，MEC服务器协作来满足用户需求。我们已经将该问题公式化为优化问题，该优化问题旨在根据用户设备的本地计算能力、计算截止时间和MEC资源约束，实现最大带宽节省同时最小化延迟
Towards cost-effective service migration in mobile edge: A Q-learning approach-2020
本文提出并研究了移动边缘网络中的服务迁移问题，使得移动用户能够以最小的代价自适应地获得服务。为此，我们开发了一种高效的算法，称为Mig-RL，基于Q学习方法，用于n节点网络中的k服务器迁移。该算法的特点在于其对状态惩罚分数的明确定义，以及反过来对动作奖励的明确定义，这些定义被用来进行多步迁移以克服局部搜索的限制，以及处理状态数量指数增长的方法。除了算法，我们还讨论了它的实现框架，这是基于软件定义的方法，以最大限度地提高其灵活性。
On the Economics of Fog Computing: Inter-play among Infrastructure and Service Providers, Users, and Edge Resource Owners
在本文中，我们对一个新兴的边缘资源市场进行了建模和分析，特别是对UCN的雾计算市场，它由ISP、EROs和SUs组成。在这个生态系统中，提供雾计算平台的互联网服务提供商扮演着中介者的角色，从生态系统运营商那里租赁边缘资源，并向用户提供服务。通过将该市场建模为三类玩家依次互动的互联网服务提供商平台的两阶段动态游戏，
Smart and Resilient EV Charging in SDN-Enhanced V ehicular Edge Computing Networks---2019（车联网）
我们考虑了一组低电池荷电状态的电动汽车在某一时刻寻求快速充电服务的情况，研究了基于SDN增强的车辆边缘计算的电动汽车充电调度问题
P2TA: Privacy-Preserving Task Allocation for Edge Computing Enhanced Mobile Crowdsensing---2019
解决了联合隐私保护和任务分配问题。建立了一个隐私博弈模型来优化防御者/攻击者的目标，以获得最终的模糊策略，该策略不受后验推理的影响
Follow Me at the Edge: Mobility-Aware Dynamic Service Placement for Mobile Edge Computing---2018
本文研究了具有长期时间平均迁移成本预算的移动边缘服务性能优化问题。我们设计了一个新颖的移动感知在线服务放置框架，以实现时间平均用户感知延迟和迁移成本之间的理想平衡。
FPGA Based Acceleration of Game Theory Algorithm in Edge Computing for Autonomous Driving--2018（车联网）
本文介绍了自主驾驶边缘计算中基于FPGA的博弈论加速算法的设计与实现，这将是我们所知的第一个博弈论的FPGA实现
Electromagnetic radiation based continuous authentication in edge computing enabled internet of things ---2018
我们提出了一种基于新型生物特征的连续边缘主机认证方法，以保护系统资源免受边缘计算环境中任何非法访问
Smart-Toy-Edge-Computing-oriented Data Exchange Based on Blockchain---2018
一种有效的方法来解决智能玩具的数据交换问题。
Virtual Network Functions Routing and Placement for Edge Cloud Latency Minimization---2018
在本文中，我们首先将VNF布局和布线问题公式化为一个非线性整数数学程序，然后为了利用强大的混合整数数学解算器，我们将该数学公式线性化。
Response time optimization for cloudlets in Mobile Edge Computing---2018
在这项工作中，我们使用KKT条件和纳什均衡来解决移动云在MEC下的负荷分配问题
IoTDeM: An IoT Big Data-oriented MapReduce performance prediction extended model in multiple edge clouds---2017
本文介绍了一个多访问边缘计算辅助的DASH系统，它便于大规模移动客户端通过多个边缘服务器访问一组复制的视频内容。
A Distributed Multi-Level Model with Dynamic Replacement for the Storage of Smart Edge Computing---2017
本文提出了一种用于边缘计算的DMLS模型来解决存储问题
Adaptive Federated Learning in Resource Constrained Edge Computing Systems（自适应联合学习）---2019
Edge computing optimization for efficient RRH-BBU assignment in cloud radio access networks---2019
A novel cluster head selection technique for edge-computing based IoMT systems---2019
A privacy preserving scheme for vehicle-to-everything communications using 5G mobile edge computing---2020(车联网中隐私保护)
A Neutrosophic Theory Based Security Approach for Fog and Mobile-Edge Computing---20109(安全保护)
Machine learning algorithms towards merging of mobile edge computing and Internet of Thing---2019（与机器学习关联）
Aggregated multi-attribute query processing in edge computing for industrial IoT applications---2019
Multi-Antenna NOMA for Computation Offloading in Multiuser Mobile Edge Computing Systems---2018
Computation Rate Maximization for Wireless Powered Mobile-Edge Computing with Binary Computation Offloading---2018
Wireless Networks for Mobile Edge Computing: Spatial Modeling and Latency Analysis---2018
Exploiting Computation Replication for Mobile Edge Computing: A Fundamental Computation-Communication Tradeoff Study---2020
AI-enabled mobile multimedia service instance placement scheme in mobile edge computing---2020
Customized Federated Learning for accelerated edge computing with heterogeneous task targets---2020
Cache-Aided NOMA Mobile Edge Computing: A Reinforcement Learning Approach---2019（与强化学习结合）
Deep Learning for Hybrid 5G Services in Mobile Edge Computing Systems: Learn from a Digital Twin---2019（与深度学习结合）
Computation Efficiency Maximization in Wireless-Powered Mobile Edge Computing Networks---2020
Edge AI: On-Demand Accelerating Deep Neural Network Inference via Edge Computing---2019（边缘计算与神经网络关联）
Edge Computing-Enabled Cell-Free Massive MIMO Systems---2019
Secure Communications for UA V -Enabled Mobile Edge Computing Systems---2019（安全.）
A Scalable Energy vs Latency Trade-off in Full Duplex Mobile Edge Computing Systems（能量和延迟）
Virtual network function placement and resource optimization in NFV and edge computing enabled networks（资源优化）
Leveraging the Power of Prediction: Predictive Service Placement for Latency-Sensitive Mobile Edge Computing-2020(延迟)
Real-Time Resource Allocation for Wireless Powered Multiuser Mobile Edge Computing With Energy and Task Causality---2020（能量）
Wireless Powered Cooperation-Assisted Mobile Edge Computing---2018
QoS Prediction for Service Recommendations in Mobile Edge Computing
Edge Computing in V ANETsAn Efficient and Privacy-Preserving Cooperative Downloading Scheme---2020
Adaptive Replication for Mobile Edge Computing---2018（自适应复制）
A Multi-Clustering Approach to Scale Distributed Tenant Networks for Mobile Edge Computing---2019
Joint Optimization of Edge Computing Architectures and Radio Access Networks---2018（计算框架与联合优化）
Adaptive Online Decision Method for Initial Congestion Window in 5G Mobile Edge Computing Using Deep Reinforcement Learning
Computation Rate Maximization in UA V-Enabled Wireless Powered Mobile-Edge Computing Systems---2018(计算速率)
Optimizing Social Welfare of Live Video Streaming Services in Mobile Edge Computing---2019
QoE-Assured 4K HTTP Live Streaming via Transient Segment Holding at Mobile Edge---2018(视频)
Reservation Service: Trusted Relay Selection for Edge Computing Services in V ehicular Networks---2020
NFV-Enabled Multicasting in Mobile Edge Clouds with Resource Sharing（NFV多播）
Online Orchestration of Cross-Edge Service Function Chaining for Cost-Efficient Edge Computing---2019
Edge Computing in V ANETsAn Efficient and Privacy-Preserving Cooperative Downloading Scheme---2020(隐私保护)
Beef Up the Edge: Spectrum-Aware Placement of Edge Computing Services for the Internet of Things---2018
Efficient Live Migration of Edge Services Leveraging Container Layered Storage---2018(服务迁移)
Energy-efficient Machine-to-Machine (M2M) Communications in Virtualized Cellular Networks with Mobile Edge Computing (MEC)---2018
daptive Bitrate Video Caching and Processing in Mobile-Edge Computing Networks---2018(视频缓存)
A Novel Mobile Edge Network Architecture with Joint Caching-Delivering and Horizontal Cooperation---2019
Enabling efficient and secure energy cloud using edge computing and 5G Yaser Jararw---2020
ARVMEC: Adaptive Recommendation of Virtual Machines for IoT in Edge-Cloud Environment---2018
A wearable sensor-based activity prediction system to facilitate edge computing in smart healthcare system---2018
Edge computing framework for enabling situation awareness in IoT based smart city---2018
Marine depth mapping algorithm based on the edge computing in Internet of things---2017
Reliability-Aware Virtualized Network Function Services Provisioning in Mobile Edge Computing---2019
Enabling Workload Engineering in Edge, Fog, and Cloud Computing through OpenStack-based Middleware---2019
Fair and Efficient Caching Algorithms and Strategies for Peer Data Sharing in Pervasive Edge Computing Environments---2019(数据共享)
Quality of Experience-Aware Mobile Edge Caching through a V ehicular Cloud---2019
High-Performance Computing in Edge Computing Networks--2019
A Unified Model for the Mobile-Edge-Cloud Continuum---2018
A Dynamic Service Migration Mechanism in Edge Cognitive Computing--2019
Edge Computing Assisted Adaptive Mobile Video Streaming---2019
Guest Editors’ Introduction to the Special Issue on Fog, Edge, and Cloud Integration for Smart Environments---2019
ADHD fMRI short-time analysis method for edge computing based on multi-instance learning--2020
Follow Me at the Edge: Mobility-Aware Dynamic Service Placement for Mobile Edge Computing---2018
Smart and Resilient EV Charging in SDN-Enhanced V ehicular Edge Computing Networks---2019（车联网）
Lightweight Fault Tolerance in Pregel-Like Systems（容错）
Latency Minimization for Intelligent Reflecting Surface Aided Mobile Edge Computing---2020（延迟最小化）
Dynamic Service Migration in Mobile Edge Computing Based on Markov Decision Process---2019