Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Tytuł pozycji:

Offloading Decision and Resource Allocation in Mobile Edge Computing for Cost and Latency Efficiencies in Real-Time IoT

Tytuł:
Offloading Decision and Resource Allocation in Mobile Edge Computing for Cost and Latency Efficiencies in Real-Time IoT
Autorzy:
Chanthol Eang
Seyha Ros
Seungwoo Kang
Inseok Song
Prohim Tam
Sa Math
Seokhoon Kim
Temat:
offloading decision
Lagrange duality optimization
mobile edge computing
real-time IoT
resource allocation
Electronics
TK7800-8360
Źródło:
Electronics, Vol 13, Iss 7, p 1218 (2024)
Wydawca:
MDPI AG, 2024.
Rok publikacji:
2024
Kolekcja:
LCC:Electronics
Typ dokumentu:
article
Opis pliku:
electronic resource
Język:
English
ISSN:
2079-9292
Relacje:
https://www.mdpi.com/2079-9292/13/7/1218; https://doaj.org/toc/2079-9292
DOI:
10.3390/electronics13071218
Dostęp URL:
https://doaj.org/article/242a8868e09e40b4b89b967ce3cc1f1d  Link otwiera się w nowym oknie
Numer akcesji:
edsdoj.242a8868e09e40b4b89b967ce3cc1f1d
Czasopismo naukowe
Internet of Things (IoT) devices can integrate with applications requiring intensive contextual data processing, intelligent vehicle control, healthcare remote sensing, VR, data mining, traffic management, and interactive applications. However, there are computationally intensive tasks that need to be completed quickly within the time constraints of IoT devices. To address this challenge, researchers have proposed computation offloading, where computing tasks are sent to edge servers instead of being executed locally on user devices. This approach involves using edge servers located near users in cellular network base stations, and also known as Mobile Edge Computing (MEC). The goal is to offload tasks to edge servers, optimizing both latency and energy consumption. The main objective of this paper mentioned in the summary is to design an algorithm for time- and energy-optimized task offloading decision-making in MEC environments. Therefore, we developed a Lagrange Duality Resource Optimization Algorithm (LDROA) to optimize for both decision offloading and resource allocation for tasks, whether to locally execute or offload to an edge server. The LDROA technique produces superior simulation outcomes in terms of task offloading, with improved performance in computation latency and cost usage compared to conventional methods like Random Offloading, Load Balancing, and the Greedy Latency Offloading scheme.

Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies