1.Dynamic Parallel Multi-Server Selection and Allocation in Collaborative Edge Computing
作者：Xu C, Guo J, Li Y, et al.
出处：IEEE Transactions on Mobile Computing
摘要：协作移动边缘计算(MEC)已成为一种有前途的方法，可通过边缘到边缘和边缘到云资源的协作为计算密集型物联网应用提供低服务延迟。然而，现有的协作MEC方法通常会限制任何两个边缘服务器(ES)或一个ES与云服务器之间对任务请求的协作处理，从而限制其他ES上可用资源的利用。此外，这些传统方法依赖于离线任务分区，可能会导致完成时间延长，尤其是当ES计算能力表现出异构性时。在本文中，我们提出了一种名为SMCoEdge的创新方法。该方法在异构协作MEC环境中执行动态并行多ES选择和工作负载分配，从而同时启用多个ES的空闲资源来加速任务处理。我们将问题公式化为在线线性规划问题，目标是最小化任务计算和传输完成时间。为了提高计算效率，我们将问题分解为两个阶段：多ES选择和工作负载分配。然后，我们提出了一种基于在线深度强化学习的同步多ES卸载(DRL-SMO)算法以及一个top-k深度Q学习网络模型来有效地解决我们的问题，其中提出了一种有效的算法来实现工作负载分配阶段的最优解。此外，我们提供了理论性能分析，表明DRL-SMO算法在近似线性时间复杂度内实现了我们问题的近乎最优的解决方案。最后，我们大量的实验结果证明了我们方法的显著优势。与最先进的方法相比，它始终将平均完成时间缩短了19.63%，并保持了较低的卸载失败率。这些发现强调了我们的方法在提高协作MEC性能方面的有效性。
链接：
https://ieeexplore.ieee.org/abstract/document/10470372/
代码：
https://github.com/ChangfuXu/SMCoEdge
[8] FLrce: Resource-Efficient Federated Learning with Early-Stopping Strategy
作者：Niu Z, Dong H, Qin A K, et al.
出处：IEEE Transactions on Mobile Computing
摘要：联邦学习(FL)在物联网(IoT)中大受欢迎，它是一种强大的接口，可在保持数据隐私的同时为客户提供智能服务。在服务器的编排下，边缘设备(在FL中也称为客户端)协作训练全局深度学习模型，而无需共享任何本地数据。然而，客户端之间训练贡献的不平等使FL变得脆弱，因为具有严重偏差数据集的客户端可以通过发送恶意或严重偏差的参数更新轻松破坏FL。此外，网络资源短缺问题也成为瓶颈。由于在边缘设备上训练深度学习模型会产生巨大的计算开销，以及在网络上传输深度学习模型会产生巨大的通信开销，因此FL过程中会消耗大量资源。这包括能源等计算资源和带宽等通信资源。为了全面应对这些挑战，在本文中，我们提出了FLrce，这是一个高效的FL框架，具有基于关系的客户端选择和早期停止策略。FLrce通过选择效果更显著的客户端来加速FL过程，使全局模型能够在更少的轮次内收敛到高精度。FLrce还利用了提前终止FL的机制，以节省通信和计算资源。实验结果表明，与现有的高效FL框架相比，FLrce的计算效率和通信效率分别提高了至少30%和43%。
链接：
https://ieeexplore.ieee.org/abstract/document/10643330/
代码：
https://github.com/ZiruNiu0/FLrce
[13] Sensing Data Aggregation in Mobile Crowd Sensing: A Cloud–Enhanced-Edge–End Framework With DQN-Based Offloading
作者：Yang G, Sang J, Zhang X, et al.
出处：IEEE Internet of Things Journal
摘要：移动人群感知(MCS)作为一种有前途的环境感知和数据收集方法引起了广泛关注。然而，由于计算任务、带宽和计算压力的增加，传统的“云-边缘-端”MCS不足以有效地实时卸载感知数据以进行数据聚合。因此，我们考虑了一种基于“云增强-边缘-端”的新型MCS框架，该框架使用MCS空闲用户作为边缘节点来协助边缘服务器增强计算能力并降低延迟和能耗。为了在“云增强-边缘-端”MCS框架中实现高效的数据聚合，我们首先考虑延迟和能耗的多目标优化以建立效用函数。其次，针对传统优化算法通常在复杂决策空间和动态环境中难以应对的缺点，我们提出了一种基于深度Q网络(DQN)的移动人群感知卸载(MCSOL)算法。该算法使用强化学习将计算任务自适应地卸载到最佳边缘节点或服务器，以最大化效用函数以减少延迟和能耗。我们的实验结果表明，与仅将数据卸载到基站和边缘节点的其他五种策略相比，MCSOL将数据聚合性能提高了30%-60%。
链接：
https://ieeexplore.ieee.org/abstract/document/10580986/
代码：