CN111182495A - 一种5g车联网部分计算卸载方法 - Google Patents
一种5g车联网部分计算卸载方法 Download PDFInfo
- Publication number
- CN111182495A CN111182495A CN201911353266.3A CN201911353266A CN111182495A CN 111182495 A CN111182495 A CN 111182495A CN 201911353266 A CN201911353266 A CN 201911353266A CN 111182495 A CN111182495 A CN 111182495A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- channel
- unloading
- vehicles
- calculation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/082—Load balancing or load distribution among bearers or channels
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种5G车联网部分计算卸载方法。本发明协同考虑运营商的利益和用户的激励兼容性和个人理性,对计算卸载的传输开销和计算开销进行建模,以最大化运营商和用户的整体效用为目标描述优化问题。该优化问题分为三个子问题。为了最小化传输延迟开销,本发明利用双边匹配算法求解最优信道分配策略。进而通过凸优化获得最优卸载比率。最后,本发明构建非合作博弈来决定边缘计算服务定价,该定价机制在最大化整体效用的同时,确保了用户的个人利益,实现了用户与运营商之间的均衡。本发明提供了5G车联网下部分计算卸载的一种新方法。
Description
技术领域
本发明涉及5G车联网部分计算卸载,尤其涉及计算卸载下的信道分配,任务调度以及边缘计算服务定价机制。
背景技术
5G车联网未来有望连接数十亿辆汽车,并以此为基础开发各类新颖的应用程序,例如交互式游戏,增强现实,为乘客提供满意的网络服务。为了吸引用户的兴趣,新型移动应用程序丰富而生动,同时也消耗大量的计算资源和电能,这给资源受限的车辆提出了巨大挑战。移动边缘计算(MEC)的出现使得用户能够通过将计算任务卸载到边缘服务器来大幅降低任务执行延迟和能耗开销,从而享受到极低延迟的网络服务。然而,有限的MEC资源难以全部满足过多的用户数,因此高效的资源分配和任务调度策略,以及相应的MEC服务定价机制有待于研究人员的进一步探索。
发明内容
本发明的目的主要针对现有研究的一些不足之处,以最大化用户和运营商的整体效用为目标,提出适用于5G车联网的部分计算卸载方法,包括5G信道资源分配,卸载任务调度以及边缘计算服务定价机制三部分。首先,以最小化传输延迟为目标,利用双边匹配算法,基于用户偏好分配传输信道;其次,将任务调度问题转化为凸优化问题,通过KKT条件获得最优卸载比率;最后,考虑到用户的个体理性和自私性,本发明提出一种非合作博弈服务定价机制,使得用户与网络运营商之间达到纳什均衡。
本发明的技术方案:
一种5G车联网部分计算卸载方法,步骤如下:
(1)构建车联网部分计算卸载模型,包括网络结构、用户卸载策略和效用函数三部分;
基于MEC的5G车联网,共有N个车辆作为需求卸载服务的用户宏蜂窝提供车辆本地计算的计算资源,一组配备MEC服务器的路边节点单元(RSUs)提供卸载服务;部分车辆应用正交频分多址接入技术(OFDMA)通过Kr个非授权信道访问RSUs,称为“车辆到RSUs”V2R用户;部分车辆应用非正交多址接入技术(NOMA)通过Km个专用的蜂窝信道访问宏蜂窝,称为“车辆到基础设施”V2I用户;令K=|Kr|+|Km|表示可用信道的总数;卸载服务时间由连续的时隙组成,记为在每个时隙中,车辆向附近的RSUs发送卸载请求,宏蜂窝收集全局请求信息并确定最优卸载决策;由于RSUs与宏蜂窝之间的有线通信的延迟比无线通信的延迟小得多,因此可以忽略相应的卸载调度延迟。
对于每辆车i,其卸载任务定义为其中,si表示数据大小,ci表示完成任务所需的CPU周期数,表示任务τi的最大容忍延迟;令λi表示任务流的平均到达速率,遵循一般分布式随机过程;由于车辆的卸载任务是异构的,定义变量和分别表示数据大小si和完成任务所需的CPU周期数ci的均值;
车辆产生计算任务后,由本地计算处理,或将其卸载到RSUs由边缘计算处理;用表示卸载比率,其中ξi∈[0,1]表示卸载比率;本地计算的边缘计算的任务流分别表示为λlocal=(1-ξi)λi和λoffload=ξiλi;
多个V2I用户访问宏蜂窝时共享信道,因此会受到干扰;与之相反,每个V2R用户单独占用一个信道,不存在干扰;定义二进制集合Θ={θi,j,k,i∈N,j∈M,k∈K}表示信道分配决策,θi,j,k=1表示信道k被分配给车辆i用于访问服务器j;利用信噪比(SINR)来衡量共享信道的V2I用户之间的干扰,其计算公式如下:
其中,pi,j和hi,j分别表示车辆i的传输功率和信道增益;pn,j和hn,j分别表示占用同一信道其他车辆的传输功率和信道增益;σ2表示噪声功率;令bk表示信道k的带宽,车辆i通过信道k访问服务器j的传输速率通过如下公式计算:
ri,j,k=θi,j,kbklog2(1+Γi,j,k)
车辆的效用定义为完成任务获得的收益减去相应的开销,完成不同任务获得不同的收益,定义表示车辆i完成一个任务的期望收益;车辆i的开销Ci(λi,ξi,Θ)分为传输开销宏蜂窝计算开销和MEC服务器计算开销三部分;令和分别表示宏蜂窝和MEC服务器运行1CPU周期的开销;和的计算公式如下:
基于以上三部分开销的公式,车辆的期望效用函数的计算公式如下:
(2)根据步骤(1)中的车联网部分计算卸载模型,以最小化车辆和运营商的整体效用为目标,描述优化问题;
车辆和运营商的总体效用取决于三个决策变量:卸载比率Ξ、信道分配Θ和卸载服务的收益π={πcell,πRSU,πpro};给定全局任务流信息,部分计算卸载问题描述如下:
其中,C1,C2,C7分别约束卸载比率,服务定价和信道分配变量的范围;C3约束任务传输延迟不能超过阈值C4表示用户的激励兼容性,即每个用户都争取最大化自身的效用;C5表示用户的个人理性,即用户的效用必须为非负数;C6约束每个未授权的信道只能分配给一辆车;
上述优化问题是一个混合整数非线性规划问题,是NP难解问题;车辆的支付和运营商的收入在计算整体效用时相互抵消,服务定价仅在C2,C4,C5中出现;C3中的传输时长主要取决于信道分配Θ;将上述优化问题分为三个子问题求解;
(3)求解步骤(2)中的第一个子问题:资源分配;构建用户偏好队列,利用双边匹配算法以最小化传输延迟为目标分配信道;
(4)求解步骤(2)中的第二个子问题:任务调度;通过KKT条件求解凸优化问题,得到最优卸载比率;
上述任务调度子问题是凸优化问题,利用KKT条件求解最优的卸载比率;
(5)求解步骤(2)中的第三个子问题:边缘计算服务定价机制;构建非合作博弈,构造服务定价使得博弈达到纳什均衡;
利用双边匹配算法和KKT条件获得最优信道分配和卸载比率策略后,本方法考虑用户的激励兼容性和个人理性,即每辆车都选择能最大化其个人效用的卸载比率,其中ξ-i表示除车辆i以外其他车辆的卸载比率;本方法将车辆之间的策略决策建模为非合作博弈,表述如下:
本发明的有益效果:本发明基于MEC提供了一种车联网5G部分计算卸载方法,包括信道分配,卸载比率和边缘计算服务定价三方面策略。协同考虑运营商的利益和用户的激励兼容性和个人理性,本发明以最大化运营商和用户的整体效用为目标描述优化问题。该优化问题分为三个子问题。为了最小化传输延迟开销,本发明利用双边匹配算法求解最优信道分配策略。进而通过凸优化获得最优卸载比率。最后,本发明构建非合作博弈来决定边缘计算服务定价,实现车辆与运营商之间的均衡。实验结果证明了本发明所提出的算法的高效性。
附图说明
图1为本发明构建的5G车联网部分计算卸载模型。车辆以OFDMA的方式访问宏蜂窝,以NOMA的方式访问RSUs进行计算卸载。
图2将本发明公开的POETS算法与先到先服务策略以及贪婪算法就期望延迟开销进行比较。随着车辆数的增加,信道资源竞争加剧,期望延迟开销增加。POETS算法的性能分别比先到先服务策略和贪婪算法高20%和15%。
图3展示了车辆和运营商的整体效用随车辆数增加的变化趋势。随着车辆数量的增加,更多的车辆可以通过完成任务(通过本地计算或MEC)获得更多的回报,使得整体效用增加。通过采用NOMA技术来降低信道占用成本,POETS算法的性能要优于OFDMA和本地计算策略。
图4展示了车辆和运营商的整体效用随信道数增加的变化趋势。相比于OFDMA接入方法,POETS算法平均提升了38%的整体效用,且远优于本地计算。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将对本发明的具体实施方式作进一步的详细描述。
本发明实例提供了一种5G车联网部分计算卸载,该方法包括:
步骤1:基于双边匹配算法求解信道分配子问题。
1.1)初始化信道最大容纳车辆数Q。
1.3)每辆车向宏蜂窝发送占用信道偏好队列队首信道的请求,并将该信道从队列中删除。
1.4)对于每个接收到请求的信道,如果当前占用车辆数小于Q,则按传输开销升序接受发送请求的车辆直到车辆数等于Q;如果当前占用车辆数等于Q,则在原有的车辆和新增的发送请求的车辆中重新选择Q个用户,使得该信道分配策略Θ*能够最小化传输延迟开销,即对于所有信道分配策略Θ,Θ*满足如下公式:
1.5)被拒绝的车辆继续向信道偏好队列队首的信道发送请求,直至所有车辆都被分配传输信道,或所有信道都达到容纳车辆数上限。
步骤2:基于凸优化求解任务调度子问题。
步骤3:基于非合作博弈求解子问题。
考虑激励兼容性和个人理性,每辆车都期望最大化自己的个人效用,且该效用为正。车辆i的效用如下所示:
以上的所述乃是本发明的具体实施例及所运用的技术原理,若依本发明的构想所作的改变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (1)
1.一种5G车联网部分计算卸载方法,其特征在于,步骤如下:
(1)构建车联网部分计算卸载模型,包括网络结构、用户卸载策略和效用函数三部分;
基于MEC的5G车联网,共有N个车辆作为需求卸载服务的用户宏蜂窝提供车辆本地计算的计算资源,一组配备MEC服务器的路边节点单元RSUs提供卸载服务;部分车辆应用正交频分多址接入技术通过Kr个非授权信道访问RSUs,称为“车辆到RSUs”V2R用户;部分车辆应用非正交多址接入技术通过Km个专用的蜂窝信道访问宏蜂窝,称为“车辆到基础设施”V2I用户;令K=|Kr|+|Km|表示可用信道的总数;卸载服务时间由连续的时隙组成,记为在每个时隙中,车辆向附近的RSUs发送卸载请求,宏蜂窝收集全局请求信息并确定最优卸载决策;
对于每辆车i,其卸载任务定义为其中,si表示数据大小,ci表示完成任务所需的CPU周期数,Ti max表示任务τi的最大容忍延迟;令λi表示任务流的平均到达速率,遵循一般分布式随机过程;由于车辆的卸载任务是异构的,定义变量和分别表示数据大小si和完成任务所需的CPU周期数ci的均值;
车辆产生计算任务后,由本地计算处理,或将其卸载到RSUs由边缘计算处理;用Ξ={ξ1,ξ2,…,ξN}表示卸载比率,其中ξi∈[0,1]表示卸载比率;本地计算的边缘计算的任务流分别表示为λlocal=(1-ξi)λi和λoffload=ξiλi;
多个V2I用户访问宏蜂窝时共享信道,因此会受到干扰;与之相反,每个V2R用户单独占用一个信道,不存在干扰;定义二进制集合Θ={θi,j,k,i∈N,j∈M,k∈K}表示信道分配决策,θi,j,k=1表示信道k被分配给车辆i用于访问服务器j;利用信噪比来衡量共享信道的V2I用户之间的干扰,其计算公式如下:
其中,pi,j和hi,j分别表示车辆i的传输功率和信道增益;pn,j和hn,j分别表示占用同一信道其他车辆的传输功率和信道增益;σ2表示噪声功率;令bk表示信道k的带宽,车辆i通过信道k访问服务器j的传输速率通过如下公式计算:
ri,j,k=θi,j,kbklog2(1+Γi,j,k)
车辆的效用定义为完成任务获得的收益减去相应的开销,完成不同任务获得不同的收益,定义表示车辆i完成一个任务的期望收益;车辆i的开销Ci(λi,ξi,Θ)分为传输开销宏蜂窝计算开销和MEC服务器计算开销三部分;令和分别表示宏蜂窝和MEC服务器运行1CPU周期的开销;和的计算公式如下:
(2)根据步骤(1)中的车联网部分计算卸载模型,以最小化车辆和运营商的整体效用为目标,描述优化问题;
车辆和运营商的总体效用取决于三个决策变量:卸载比率Ξ、信道分配Θ和卸载服务的收益π={πcell,πRSU,πpro};给定全局任务流信息,部分计算卸载问题描述如下:
s.t.
其中,C1,C2,C7分别约束卸载比率,服务定价和信道分配变量的范围;C3约束任务传输延迟不能超过阈值Ti max;C4表示用户的激励兼容性,即每个用户都争取最大化自身的效用;C5表示用户的个人理性,即用户的效用必须为非负数;C6约束每个未授权的信道只能分配给一辆车;
上述优化问题是一个混合整数非线性规划问题,是NP难解问题;车辆的支付和运营商的收入在计算整体效用时相互抵消,服务定价仅在C2,C4,C5中出现;C3中的传输时长主要取决于信道分配Θ;将上述优化问题分为三个子问题求解;
(3)求解步骤(2)中的第一个子问题:资源分配;构建用户偏好队列,利用双边匹配算法以最小化传输延迟为目标分配信道;
s.t.
(4)求解步骤(2)中的第二个子问题:任务调度;通过KKT条件求解凸优化问题,得到最优卸载比率;
s.t.
上述任务调度子问题是凸优化问题,利用KKT条件求解最优的卸载比率;
(5)求解步骤(2)中的第三个子问题:边缘计算服务定价机制;构建非合作博弈,构造服务定价使得博弈达到纳什均衡;
利用双边匹配算法和KKT条件获得最优信道分配和卸载比率策略后,本方法考虑用户的激励兼容性和个人理性,即每辆车都选择能最大化其个人效用的卸载比率,其中ξ-i表示除车辆i以外其他车辆的卸载比率;本方法将车辆之间的策略决策建模为非合作博弈,表述如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353266.3A CN111182495B (zh) | 2019-12-25 | 2019-12-25 | 一种5g车联网部分计算卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353266.3A CN111182495B (zh) | 2019-12-25 | 2019-12-25 | 一种5g车联网部分计算卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111182495A true CN111182495A (zh) | 2020-05-19 |
CN111182495B CN111182495B (zh) | 2021-06-18 |
Family
ID=70623199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911353266.3A Active CN111182495B (zh) | 2019-12-25 | 2019-12-25 | 一种5g车联网部分计算卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111182495B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015545A (zh) * | 2020-07-23 | 2020-12-01 | 山东师范大学 | 车辆边缘计算网络中的任务卸载方法及系统 |
CN112328397A (zh) * | 2020-11-10 | 2021-02-05 | 西安电子科技大学 | 5g异构网络系统及其协同车辆计算任务卸载方法 |
CN113613261A (zh) * | 2021-08-23 | 2021-11-05 | 南京航空航天大学 | 基于合作队列博弈的边缘计算网络中的任务卸载分配方法 |
CN113783959A (zh) * | 2021-09-13 | 2021-12-10 | 吉林大学 | 一种车联网联合优化计算任务卸载比率和资源分配方法 |
CN113821270A (zh) * | 2021-07-29 | 2021-12-21 | 长沙理工大学 | 任务卸载顺序预测方法、决策方法、电子设备及存储介质 |
CN115052262A (zh) * | 2022-06-22 | 2022-09-13 | 东南大学深圳研究院 | 一种基于势博弈的车联网计算卸载与功率优化方法 |
CN117156494A (zh) * | 2023-10-31 | 2023-12-01 | 南京邮电大学 | 一种ris辅助无线通信的三端融合任务调度模型与方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015094278A1 (en) * | 2013-12-19 | 2015-06-25 | Empire Technology Development, Llc | Peer-to-peer (p2p) code exchange facilitation in centrally managed online service |
CN105491510A (zh) * | 2015-12-17 | 2016-04-13 | 西安电子科技大学 | 一种密集异构蜂窝网络中面向资源共享的业务卸载方法 |
CN109756378A (zh) * | 2019-01-12 | 2019-05-14 | 大连理工大学 | 一种车载网络下的智能计算卸载方法 |
CN110430613A (zh) * | 2019-04-11 | 2019-11-08 | 重庆邮电大学 | 多载波非正交多址接入系统基于能效的资源分配方法 |
-
2019
- 2019-12-25 CN CN201911353266.3A patent/CN111182495B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015094278A1 (en) * | 2013-12-19 | 2015-06-25 | Empire Technology Development, Llc | Peer-to-peer (p2p) code exchange facilitation in centrally managed online service |
CN105491510A (zh) * | 2015-12-17 | 2016-04-13 | 西安电子科技大学 | 一种密集异构蜂窝网络中面向资源共享的业务卸载方法 |
CN109756378A (zh) * | 2019-01-12 | 2019-05-14 | 大连理工大学 | 一种车载网络下的智能计算卸载方法 |
CN110430613A (zh) * | 2019-04-11 | 2019-11-08 | 重庆邮电大学 | 多载波非正交多址接入系统基于能效的资源分配方法 |
Non-Patent Citations (1)
Title |
---|
ZHAOLONG NING,PEIRAN DONG,XIANGJIE KONG,FENG XIA: "A Cooperative Partial Computation Offloading Scheme for Mobile Edge Computing Enabled Internet of Things", 《IEEE INTERNET OF THINGS JOURNAL》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015545A (zh) * | 2020-07-23 | 2020-12-01 | 山东师范大学 | 车辆边缘计算网络中的任务卸载方法及系统 |
CN112015545B (zh) * | 2020-07-23 | 2023-01-20 | 山东师范大学 | 车辆边缘计算网络中的任务卸载方法及系统 |
CN112328397A (zh) * | 2020-11-10 | 2021-02-05 | 西安电子科技大学 | 5g异构网络系统及其协同车辆计算任务卸载方法 |
CN112328397B (zh) * | 2020-11-10 | 2022-10-04 | 西安电子科技大学 | 5g异构网络系统及其协同车辆计算任务卸载方法 |
CN113821270B (zh) * | 2021-07-29 | 2023-07-25 | 长沙理工大学 | 任务卸载顺序预测方法、决策方法、电子设备及存储介质 |
CN113821270A (zh) * | 2021-07-29 | 2021-12-21 | 长沙理工大学 | 任务卸载顺序预测方法、决策方法、电子设备及存储介质 |
CN113613261B (zh) * | 2021-08-23 | 2022-07-01 | 南京航空航天大学 | 基于合作队列博弈的边缘计算网络中的任务卸载分配方法 |
CN113613261A (zh) * | 2021-08-23 | 2021-11-05 | 南京航空航天大学 | 基于合作队列博弈的边缘计算网络中的任务卸载分配方法 |
CN113783959B (zh) * | 2021-09-13 | 2022-06-03 | 吉林大学 | 一种车联网联合优化计算任务卸载比率和资源分配方法 |
CN113783959A (zh) * | 2021-09-13 | 2021-12-10 | 吉林大学 | 一种车联网联合优化计算任务卸载比率和资源分配方法 |
CN115052262A (zh) * | 2022-06-22 | 2022-09-13 | 东南大学深圳研究院 | 一种基于势博弈的车联网计算卸载与功率优化方法 |
CN117156494A (zh) * | 2023-10-31 | 2023-12-01 | 南京邮电大学 | 一种ris辅助无线通信的三端融合任务调度模型与方法 |
CN117156494B (zh) * | 2023-10-31 | 2024-01-19 | 南京邮电大学 | 一种ris辅助无线通信的三端融合任务调度模型与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111182495B (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111182495B (zh) | 一种5g车联网部分计算卸载方法 | |
Ning et al. | Partial computation offloading and adaptive task scheduling for 5G-enabled vehicular networks | |
CN107995660B (zh) | 支持d2d-边缘服务器卸载的联合任务调度及资源分配方法 | |
Lu et al. | Communication-efficient federated learning for digital twin edge networks in industrial IoT | |
Lin et al. | A survey on computation offloading modeling for edge computing | |
CN108809695B (zh) | 一种面向移动边缘计算的分布上行链路卸载策略 | |
CN111586720B (zh) | 一种多小区场景下的任务卸载和资源分配的联合优化方法 | |
Huang et al. | Task-container matching game for computation offloading in vehicular edge computing and networks | |
CN111132191B (zh) | 移动边缘计算服务器联合任务卸载、缓存及资源分配方法 | |
CN111586696A (zh) | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 | |
Li et al. | An energy-aware task offloading mechanism in multiuser mobile-edge cloud computing | |
CN111711666B (zh) | 一种基于强化学习的车联网云计算资源优化方法 | |
CN109714382B (zh) | 一种非平衡边缘云mec系统的多用户多任务迁移决策方法 | |
CN111641973A (zh) | 一种雾计算网络中基于雾节点协作的负载均衡方法 | |
CN111565380B (zh) | 车联网中基于noma-mec混合卸载方法 | |
Wang et al. | Dynamic offloading scheduling scheme for MEC-enabled vehicular networks | |
CN112512065B (zh) | 支持mec的小小区网络中在移动感知下的卸载和迁移方法 | |
Zhang et al. | DMRA: A decentralized resource allocation scheme for multi-SP mobile edge computing | |
Deng et al. | Throughput maximization for multiedge multiuser edge computing systems | |
CN113891477A (zh) | 一种车联网中基于mec计算任务卸载的资源分配方法 | |
Du et al. | Cost-effective task offloading in NOMA-enabled vehicular mobile edge computing | |
Tian et al. | User preference-based hierarchical offloading for collaborative cloud-edge computing | |
Wu et al. | A mobile edge computing-based applications execution framework for Internet of Vehicles | |
Li et al. | Vehicular edge cloud computing: Depressurize the intelligent vehicles onboard computational power | |
Gao et al. | Joint computation offloading and resource allocation for mobile-edge computing assisted ultra-dense networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |