molly4869的博客

好久都没更新了，是因为在写论文，下周要给老师一版初稿，太难了！

一、Energy-Aware Satellite Handover based on Deep Reinforcement Learning1、题目翻译基于深度强化学习的能量感知卫星切换2、来源23-123、内容场景：由于LEO卫星的高速移动，UE在服务期间会经历多次切换( HO )，这种情况如果广泛发生，会对UE的服务质量( QoS )产生不利影响。卫星HO策略必须有效地利用有限的可用卫星资源，并在尊重每个UE的各种任务类型（Traffic Profiles）的同时防止。

题目翻译：Self-Attentive Sequential Recommendation来源：http://arxiv.org/abs/1808.09781代码：Self-Attentive Sequential Recommendation | Papers With Code目录摘要I. 介绍II. 相关工作A.一般推荐B.时序推荐C.序列推荐D.注意力机制III. 研究方法A. Embedding层B. 自注意力模块C .堆叠自注意力块

任务的产生抽象成是由传感器产生的，假设同时到达的任务相互独立，且服从正态分布，且任务大小相同。如果有任务在执行，就计算该节点的相对空闲度，如果相对空闲度小于1，说明从节点比较空闲，就优先放在从节点；否则，优先放在主节点。，通过均衡虚拟节点的资源，在降低能耗的同时保证了用户的时延。我认为，在调度算法中，只考虑了将任务分给主节点或从节点或云端，但是主节点和从节点都是虚拟出来的，实际上都是一个结点，本文没考虑主节点和从节点一起完成任务。但是任务密度越来越大，主从模式和非主从模式的功耗之间的差距减小，趋于相同。

本文提出了一个基于DNS的HTTP流量分配框架。它通过DNS解析在多个CBS之间调度用户流量，综合考虑负载均衡、流量分配一致性和DNS调度粒度。

边缘计算中的资源调度研究综述

基于大规模低光模拟数据集的注意力引导低光图像增强

本文提出了一种面向智能应急救援装备的多无人机时延和可靠性保障的移动边缘计算框架。此外，通信、计算和缓存资源被联合优化，以降低延迟和增强可靠性。基于期望时延的概念，提出了求解上述问题的HBPSO算法。

1]题目翻译：共享运行边缘云计算中的物联网服务来源：IEEE Internet of Things Journal背景：近年来，具有异构需求的物联网( Internet-of-Things，IoT )服务的指数级增长，这给传统的云/数据中心平台带来了很大负担。边缘计算是一种新兴的获得物联网服务商业价值的解决方案，通过移动靠近数据源的计算资源来满足实时需求。尽管如此，边缘资源仍然是有限的，无法同时满足所有需求。目的：实现边缘/云服务提供商之间的资源共享，以解决资源稀缺、降低成本。方法。

本文提出了一种基于李雅普诺夫的无人机辅助移动边缘计算动态资源分配算法( Dynamic Resource Allocation，LDRA )，在LDRA方案中，为边缘服务器建立了一个随机队列模型，以支持移动设备卸载计算任务的动态性。此外，综合考虑无人机和移动设备的移动性、能量约束等多个约束条件，建立了无人机辅助边缘计算的系统成本模型。以最小化系统成本和最大化提供边缘资源完成移动设备卸载计算任务的系统效用为目标，通过引入李雅普诺夫优化，提出一种动态资源分配方案，有效地确定边缘服务器卸载移动设备任务，同时考虑边

本文提出了一个空天地海一体化网络，利用陆上台站( OSs )、系留气球( Tethered balloon，TB )。、高空平台( HAPs )和卫星( SATs )作中继，连接核心连接基站( Core Connected Base Station，CCBS )和海上基站（surface stations，SSs），以提高SS的概率覆盖。

背景：依托空天地( SAG )融合的万物人工智能( AIoE )网络，海量计算密集型和时延敏感型任务既可以由地面用户本地执行，也可以卸载到SAG服务器，如远程基站、空中高空平台( HAP )和低轨卫星等。然而，考虑到动态网络环境、大规模覆盖和电池能量备份约束，通信和计算资源的联合优化成为一个巨大的挑战。方法：本文提出了一种融合SAG的异构计算卸载架构，用于通信和计算资源的深度整合，以最大化所有用户的总速率。此外，本文提出了一种基于Lyapunov函数的多智能体近端策略优化算法来解决任务调度和HAP选择。

1]翻译：智能多关联在民用飞机中的作用- -增强SAGIN来源：IEEE Transactions on Cognitive Communications and Networking背景：虽然5G网络已经逐渐商业化，但应急区域、偏远地区等诸多场景仍然存在，通信问题依然巨大。方法：本文对民用飞机增强的空天地一体化网络( CAA-SAGIN )进行了详细的分析，其中用户的关联策略可以智能地确定。首先，本文讨论了民用飞机( CAs )和卫星的空间分布对Rician因子的影响。

实验结果表明，我们提出的方法在收敛速度、平均和速率和AIoE用户的电池备份水平方面优于现有的最先进的基线。简要概括：依托空天地( SAG )融合的万物人工智能( AIoE )网络，海量计算密集型和时延敏感型任务既可以由地面AIoE用户本地执行，也可以卸载到SAG服务器，如远程基站、空中高空平台( HAP )和低轨卫星等。：因此，在本文中，我们提出了一种融合SAG的异构计算卸载架构，用于通信和计算资源的深度整合，以最大化所有AIoE用户的总速率。通信和计算资源的联合优化，最大化所有用户总速率。

空天地可以做的点总结：无人机作为中继提高地面-卫星的通信性能；卫星与地面不相对静止；一个无人机关闭接口，如何无缝移交；移动节点的相关性，减少切换；来源：IEEE Communications Surveys & Tutorials 2018。翻译：空天地一体化网络：综述。

是开发了一个考虑未知但随机的系统侧信息的多用户卸载框架，以实现分散的用户发起的服务放置。具体来说，我们将动态任务放置建模为一个在线多用户多臂赌博过程，用户是去探索新的边缘服务器，还是利用已知的边缘服务器来进行卸载，这两者之间是矛盾的，赌博机就是平衡这俩矛盾，并提出了一个分散的基于历元的卸载( DEBO )来优化网络延迟下的用户奖励。是推导出最优的用户-服务器分配，从而实现接近最优的服务性能和紧O ( log T )的卸载遗憾。系统侧信息未知，环境是动态的不确定的，不足以处理涉及许多共存用户的任务放置。

考虑到传输次数和生成数据的不确定性，建立了一个鲁棒的两阶段随机优化问题，以最小化物联网服务的E2E时延。地面：覆盖有限）可用性的机载用户数据访问问题。：跨层优化方案能够在时延和吞吐量之间取得较好的折中，本文算法在端到端时延、传输数据量和能量消耗方面优于现有的卸载方案，并且具有较低的计算复杂度。引入CA，物联网设备可以使用更少的发射功率实现更短的E2E延迟和更高的传输成功率。：偏远地区有物联网设备，但是基站比较少，仅靠卫星卸载，时延长，而且链路损耗多，因此本文加入了民用飞机，收集和转发地面任务，但并。

场景：CA使得物联网设备在偏远地区卸载其计算密集型任务成为可能。CA和卫星充当边缘服务器，卫星网络的地面站运行云计算。以最小化端到端时延和能耗的加权和为目标，联合考虑接入策略、发射功率、计算资源分配、卸载比例和时延容忍度，建立了部分计算卸载问题。一个很重要的点是既考虑了层间，又考虑了层内。过程：SAP向地面用户发送位置、计算资源等信息。用户通过G2A,G2S将计算需求和能力发给可见SAP。SAP之间通过星间链路和空空链路交换收集到的信息，实现层内层间的信息交换。方案。

2、关于无人机补充一下：3、4、

步骤1 (由边缘计算设备和停放车辆签订合约)：如果车辆停放在边缘计算设备的通信覆盖范围内，并且愿意提供计算资源以赚取奖励，则需要根据其停放时间与边缘计算设备签订合约。具体而言，该合约包括停放车辆的空闲计算资源，停放车辆的单位资源报酬，合约的开始时间和结束时间，停放车辆和边缘计算设备的数字证书和WA（钱包地址，通过提供其计算资源来赚取报酬。在该架构下，基于不同网络基础设施所拥有的可用计算资源，设计了协同计算资源分配算法，以帮助每个网络基础设施决定一个定制的服务策略，以满足移动车辆的QoE。

引入基于双连接的异构网络架构，救护车可同时连接Sub - 6GHz的宏基gNB（gNB就是5G里面基站的名字，和BS是一样的）作为主gNB ( MgNB )和毫米波微gNB作为副gNB ( SgNB )，MgNB同时管理控制平面和用户平面，而SgNB只处理用户平面。然后，我们采用基于深度Q网络（DQN）的算法来寻找一种前瞻性的切换策略，然后我们采用了三种有效的技术，包括多步学习、双DQN和NoisyNet，对普通DQN进行了改进，并提出了一种基于NDDQN的双连通切换方案。此外，还加了安全性的内容。

场景：机载用户互联网接入服务，受制于航空自组网（AANET，aeronautical ad hoc network）节点（资源有限，无法及时处理，得排队）和互联网节点（卫星：延迟高；地面：覆盖有限）可用性的机载用户数据访问问题。方案：其中每个用户CA可以同时向AANET节点和Internet节点发送请求。通过使用链路失效时间( LET )作为聚类的主要指标，我们提出了一种CA聚类准则。由于每个簇头( CH )最多只能与一个用户CA连接，我们提出了一种基于强化学习算法的服务选择方案。效果。