PYXIDA Institutional Repository
and Digital Library
Collections :

Title :Resource allocation, content recommendations and online learning mechanisms for mobile edge computing
Alternative Title :Ανάθεση πόρων, συστάσεις περιεχομένου και μηχανισμοί online μάθησης για mobile edge computing (MEC) συστήματα
Creator :Χατζηελευθερίου, Λίβια-Έλενα
Contributor :Koutsopoulos, Iordanis (Επιβλέπων καθηγητής)
Polyzos, George (Εξεταστής)
Toumpis, Stavros (Εξεταστής)
Iosifidis, George (Εξεταστής)
Dimakis, Antonios (Εξεταστής)
Siris, Vasileios (Εξεταστής)
Stamoulis, Georgios (Εξεταστής)
Athens University of Economics and Business, Department of Informatics (Degree granting institution)
Type :Text
Extent :203p.
Language :en
Identifier :
Abstract :The Mobile Edge Computing (MEC) paradigm brings computing and cache capacity resources in the proximity of users. It gives rise to a new ecosystem of services, such as Augmented Reality (AR) ones, while reducing the latency that is experienced by users and lowering network service costs. The main challenges that MECfaces are related to the scarcity of resources at the network edge, the unpredictability of important system parameters, such as traffic, content and computation demand, and the ultra-low latency requirements that must be satisfied.In this thesis we deal with the challenges above, towards the optimization of two MEC goals: content delivery and real-time analytics at the edge of the network. We present resource allocation mechanisms and methods that automate the resource allocation, for fifth-generation (5G), Beyond-5G (B5G) and sixth-generation (6G) communication systems, accounting for edge resources such as caches, computational resources of mobiledevices and edge servers, bandwidth and energy. We tackle both offline and Online Learning (OL) instances of optimization problems that span content recommendationsand caching, user association and allocation of computing resources. We use a variety of mathematical tools to solve these problems, such as combinatorial optimization, convex optimization and Online Convex Optimization (OCO), a special case of OL. We analyse and we exploit the structural properties of the formulated optimization problems, either by designing algorithms ex novo, or by adapting existing techniques to our settings. We provide cost-efficient, fast and elegant solutions with provable performance guarantees, for a variety of important problems that arise within the MEC context. Overall, this Ph.D. thesis tackles a set of important optimization problems that arise in the context of edge computing and networking. We present novel problem formulations and algorithms that lead to solutions with provable performance guarantees, bringing the Mobile Edge Computing (MEC) paradigm a step closer to its practical realization.
Η Mobile Edge Computing (MEC) τεχνολογία φέρνει κοντά στους χρήστες υπολογιστικές και ενταμιευτικες δυνατότητες. Δημιουργεί ένα νέο οικοσύστημα υπηρεσιών, όπως η επαυξημένη πραγματικότητα (AR), μειώνοντας την καθυστέρηση στους τελικούς χρήστες και τα λειτουργικά κόστη για τους παρόχους δικτύου. Οι κύριες προκλήσεις στο MEC σχετίζονται με την έλλειψη πόρων στην άκρη του δικτύου, την απροβλεπτότητα σημαντικών παραμέτρων του συστήματος, όπως η ζήτηση σε περιεχόμενο ή υπολογιστικούς πόρους, και η απαιτήσεις για εξαιρετικά χαμηλές καθυστερήσεις που πρέπει να ικανοποιούνται.Σε αυτή τη διατριβή ασχολούμαστε με τις παραπάνω προκλήσεις, στοχεύοντας τη βελτιστοποίηση δύο βασικών για το MEC μηχανισμών: την παράδοση περιεχομένου και την πραγματοποίηση των edge analytics σε πραγματικό χρόνο στην άκρη του δικτύου. Παρουσιάζουμε μηχανισμούς και μεθόδους αυτοματοποιημένης ανάθεσης πόρων για συστήματα επικοινωνιών πέμπτης γενιάς (5G), Beyond-5G (B5G) και έκτης γενιάς (6G), λαμβάνοντας υπόψιν τους περιορισμένους πόρους στην άκρη του δικτύου, όπως η ενταμιευτική ή υπολογιστική ικανότητα, το εύρος ζώνης και η ενέργεια. Ασχολούμαστε τόσο με offline όσο και με Online Learning (OL) προβλήματα βελτιστοποίησης, μελετώντας συστήματα που κοιτούν την αλληλεπίδραση των συστημάτων σύστασης περιεχομένου και ενταμιευτικών πόρων, την ανάθεση χρηστών σε κελιά και την ανάθεση υπολογιστικών πόρων. Χρησιμοποιούμε μια ποικιλία από μαθηματικά εργαλεία για την επίλυση αυτών των προβλημάτων, όπως η συνδυαστική βελτιστοποίηση, η κυρτήβελτιστοποίηση και η Online Convex Optimization (OCO), μια ειδική περίπτωση του OL. Αναλύουμε και εκμεταλλευόμαστε τις δομικές ιδιότητες των διατυπομένων προβλημάτων βελτιστοποίησης, και είτεσχεδιάζουμε ex novo αλγορίθμους είτε προσαρμόζουμε υπάρχουσες τεχνικές στα προβλήματά μας. Παρέχουμε λύσεις χαμηλού κόστους, γρήγορες και κομψές, για τις οποίες αποδεικνύουμε εγγυήσεις ως προς την απόδοσή τους,για μια ποικιλία σημαντικών προβλημάτων εντός του MEC στα δίκτυα άκρου. Συνολικά, αυτή η διατριβή αντιμετωπίζει πολλαπλά σημαντικά προβλήματα βελτιστοποίησης για δίκτυα άκρου. Παρουσιάζουμε νέες διατυπώσεις προβλημάτων και αλγόριθμους που οδηγούν σε λύσεις με αποδεδειγμένες εγγυήσεις απόδοσης, φέρνοντας το Mobile Edge Computing (MEC) ένα βήμα πιο κοντά στην πρακτική υλοποίησή του.
Subject :Ανάθεση πόρων
5G/B5G/6G δίκτυα επικοινωνιών
Συστάσεις περιεχομένου
Online μάθηση
Resource allocation
5G/B5G/6G communication networks
Recommender systems
Online learning
Date Available :2022-06-30 19:27:40
Date Issued :05/23/2022
Date Submitted :2022-06-30 19:27:40
Access Rights :Free access
Licence :

File: Chatzieleftheriou_2022.pdf

Type: application/pdf