論文の概要: Joint Task Offloading and User Scheduling in 5G MEC under Jamming Attacks

• arxiv url: http://arxiv.org/abs/2501.13227v1
• Date: Wed, 22 Jan 2025 21:22:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:54:50.768506
• Title: Joint Task Offloading and User Scheduling in 5G MEC under Jamming Attacks
• Title（参考訳）: ジャミング攻撃による5G MECのタスクオフロードとユーザスケジューリング
• Authors: Mohammadreza Amini, Burak Kantarci, Claude D'Amours, Melike Erol-Kantarci,
• Abstract要約: 本稿では,5Gモバイルエッジコンピューティング(MEC)システムを対象とした新しいタスクオフロードとユーザスケジューリング(JTO-US)フレームワークを提案する。 提案フレームワークは,高優先度タスクを効率的に処理しながら,ジャミングの影響を最小限に抑えるために,タスクとユーザを最適にスケジュールする。
• 参考スコア（独自算出の注目度）: 10.315213247015397
• License:
• Abstract: In this paper, we propose a novel joint task offloading and user scheduling (JTO-US) framework for 5G mobile edge computing (MEC) systems under security threats from jamming attacks. The goal is to minimize the delay and the ratio of dropped tasks, taking into account both communication and computation delays. The system model includes a 5G network equipped with MEC servers and an adversarial on-off jammer that disrupts communication. The proposed framework optimally schedules tasks and users to minimize the impact of jamming while ensuring that high-priority tasks are processed efficiently. Genetic algorithm (GA) is used to solve the optimization problem, and the results are compared with benchmark methods such as GA without considering jamming effect, Shortest Job First (SJF), and Shortest Deadline First (SDF). The simulation results demonstrate that the proposed JTO-US framework achieves the lowest drop ratio and effectively manages priority tasks, outperforming existing methods. Particularly, when the jamming probability is 0.8, the proposed framework mitigates the jammer's impact by reducing the drop ratio to 63%, compared to 89% achieved by the next best method.
• Abstract（参考訳）: 本稿では,5Gモバイルエッジコンピューティング(MEC)システムを対象とした新しいタスクオフロードとユーザスケジューリング(JTO-US)フレームワークを提案する。 目標は、通信遅延と計算遅延の両方を考慮して、ドロップしたタスクの遅延と比率を最小化することである。 システムモデルは、MECサーバを備えた5Gネットワークと、通信を妨害する対向的なオンオフ・ジャマを含む。 提案フレームワークは,高優先度タスクを効率的に処理しながら,ジャミングの影響を最小限に抑えるために,タスクとユーザを最適にスケジュールする。 遺伝的アルゴリズム(GA)を用いて最適化問題を解き、ジャミング効果を考慮せずにGA、最短ジョブファースト(SJF)、最短デッドラインファースト(SDF)などのベンチマーク手法と比較する。 シミュレーションの結果,提案するJTO-USフレームワークは最小降下率を達成し,優先度の高いタスクを効果的に管理し,既存手法より優れていることが示された。 特に, ジャミング確率0.8の場合には, 次の最適手法で達成した89%に比べて, 落下率を63%に減らし, ジャミングの影響を緩和する。

関連論文リスト

• Asynchronous Fractional Multi-Agent Deep Reinforcement Learning for Age-Minimal Mobile Edge Computing [14.260646140460187]
  計算集約的な更新のタイムラインを調査し、AoIを最小化するためにタスク更新とオフロードポリシーを共同で最適化する。 具体的には、エッジ負荷のダイナミクスを考慮し、期待時間平均AoIを最小化するためにタスクスケジューリング問題を定式化する。 提案アルゴリズムは,実験における最良基準アルゴリズムと比較して平均AoIを最大52.6%削減する。
  論文  参考訳（メタデータ） (2024-09-25T11:33:32Z)
• UniPTS: A Unified Framework for Proficient Post-Training Sparsity [67.16547529992928]
  Post-Traiing Sparsity (PTS)は、必要な限られたデータで効率的なネットワークスパシティを追求する、新たに登場した道である。 本稿では,従来のスパシティの性能をPSSの文脈に大きく変化させる3つの基本因子を変換することで,この相違を解消しようとする。 我々のフレームワークはUniPTSと呼ばれ、広範囲のベンチマークで既存のPTSメソッドよりも優れていることが検証されている。
  論文  参考訳（メタデータ） (2024-05-29T06:53:18Z)
• High Efficiency Inference Accelerating Algorithm for NOMA-based Mobile Edge Computing [23.88527790721402]
  デバイス、エッジサーバ、クラウド間の推論モデルを分割することで、EIの性能を大幅に向上させることができる。 B5G/6Gのキーとなる技術であるNOMAは、膨大な接続と高スペクトル効率を実現することができる。 本稿では,エッジでのモデル推論を高速化する効果的な通信資源割当アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-26T02:05:52Z)
• Fractional Deep Reinforcement Learning for Age-Minimal Mobile Edge Computing [11.403989519949173]
  本研究は,AOI( Age-of-Information)によって測定された計算集約更新の時系列に焦点をあてる。 我々は,AoIのタスク更新とオフロードポリシを分断形式で共同で最適化する方法について検討する。 実験の結果,提案アルゴリズムは,いくつかの非フラクタルベンチマークと比較して平均AoIを57.6%削減できることがわかった。
  論文  参考訳（メタデータ） (2023-12-16T11:13:40Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• Minimizing Age of Information for Mobile Edge Computing Systems: A Nested Index Approach [11.998034941401814]
  モバイルエッジ計算(MEC)は、情報更新性に敏感なリアルタイムアプリケーションを実現するための効率的なアプローチを提供する。 本稿では,MECシステム内の異種エッジサーバにタスクをオフロードする複数のユーザについて検討する。 我々のアルゴリズムは、ベンチマークと比較して最大40%の最適性ギャップの削減につながる。
  論文  参考訳（メタデータ） (2023-07-03T21:47:21Z)
• Network-Aided Intelligent Traffic Steering in 6G O-RAN: A Multi-Layer Optimization Framework [47.57576667752444]
  オープンRAN(O-RAN)におけるインテリジェントステアリングアプリケーションを実現するために,フロースプリット分布,渋滞制御,スケジューリング(JFCS)を共同で最適化する。 i) 適切な無線ユニットへのトラフィックを効率よく、適応的に誘導する新しいJFCSフレームワークを提案し、i) 強化学習、内近似、二項探索に基づく低複雑さアルゴリズムを開発し、異なる時間スケールでJFCS問題を効果的に解決し、iv) 厳密な理論的性能結果を分析し、遅延とユーティリティ最適化のトレードオフを改善するためのスケーリング係数が存在することを示す。
  論文  参考訳（メタデータ） (2023-02-06T11:37:06Z)
• Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
  少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。 近年の取り組みは、他の等級のl_infty摂動と組み合わせている。 本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-10T20:11:36Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Detached Error Feedback for Distributed SGD with Random Sparsification [98.98236187442258]
  コミュニケーションのボトルネックは、大規模なディープラーニングにおいて重要な問題である。 非効率な分散問題に対する誤りフィードバックよりも優れた収束性を示す分散誤差フィードバック(DEF)アルゴリズムを提案する。 また、DEFよりも優れた境界を示すDEFの一般化を加速するDEFAを提案する。
  論文  参考訳（メタデータ） (2020-04-11T03:50:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。