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

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 service: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 service 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-user 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

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 multiuser 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 researches and propose 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 research 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-server 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-user 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 service caching and task offloading for mobile edge computing in dense networks:与在DCN和边缘服务器上完成的与计算任务相关的数据库的缓存。

4. The research 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 base 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 base 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 secure transmission in hyper-dense networks based 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 research 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-based Joint Task Offloading and Scheduling for Multi-user 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。

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 research 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）

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
   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-user 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-user 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 based 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-server 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 based 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。