本文提出了一种网络感知分布式学习优化方法，使设备在成本和效益之间进行数据传输和处理决策，并通过测试数据集证明算法能够显著提高网络资源利用效率，同时不损害模型学习准确性。

Apr, 2020

该论文研究了支持低延迟触觉互联应用的能量高效雾计算网络的设计，引入了一种称为 offload forwarding 的新型合作雾计算概念，详细阐述了在集中式和分布式训练解决方案中的设计细节和优化算法。

Jan, 2020

研究了在延迟和可靠性限制下，在雾计算网络中分配和主动缓存计算任务的基本问题，提出了一种聚类方法来对空间上的用户设备进行分组，并将它们的任务分发到服务云，通过主动缓存计算结果来最小化计算延迟。模拟结果表明，相比基线方案，该方案可以保证可靠计算，其减少了高达 91％的计算延迟。

Apr, 2017

本文介绍一种叫做 Edge-Fog Cloud 的架构，它利用 LPCF 方法将处理任务分配到云资源网络中，以实现最优的处理时间和尽量少的网络成本。

Feb, 2017

本文通过提出一种基于联邦平均的高效 FL（FedFog）算法，结合一种新型的面向网络的 FL 优化问题，提高了资源利用率并在保证学习精度的同时，通过采用用户聚合策略，缓解慢用户的影响，并减小了时间开销。对多项真实 FL 任务的数值结果进行了广泛的理论收敛验证和实际应用展示。

Jul, 2021

本研究针对未来雾计算系统，提出了一种基于学习的车联网移交优化方案，利用机器学习算法学习车辆与雾节点的互动，运用神经网络预测给定位置和时间的正确雾节点，以及实现了一种双层堆叠的循环神经网络，可以学习处理请求的高延时服务，用于创建智能请求路由机制，优化服务中断并预测低覆盖区域，其测试集准确率达到 99.2%。

Dec, 2018

本文研究了雾计算系统，在其中云数据中心可以通过在广泛的地理区域部署大量的雾节点来补充。我们提出了动态网络切片的概念，其中区域编排器协调本地雾节点之间的工作负载分配，为支持具有一定服务质量（QoS）保证的特定类型的服务提供能源和计算资源的划分 / 切片。每个切片分配给每个节点的资源可以根据服务需求和能源供应情况进行动态调整。我们通过开发随机重叠联盟形成游戏来调查在能量波动和工作负载到达过程下雾节点之间的分布式合作和联合网络切片。我们发现允许雾节点对其他节点的未知状态和私人信息维护信念函数可以提高雾计算网络的整体处理能力。提出了一种基于信念状态部分可观察马尔科夫决策过程（B-POMDP）的算法，以在所有雾节点中实现最优资源切片结构。我们描述了如何在 3GPP 网络共享架构内实现我们提出的动态网络切片，并使用都柏林市部署了超过 200 个 BS 的真实蜂窝系统的真实 BS 位置数据评估了我们提出的框架的性能。我们的数值结果显示，即使每个雾节点只能与最近邻协调，也可以在某些情况下将由雾节点处理的总工作负载几乎增加一倍。

Jan, 2020

本文研究了 Fog-RANs 中的缓存放置问题，并提出了中心化和分布式的缓存放置策略来最小化用户平均下载延迟，同时考虑了灵活的物理层传输方案和不同用户的内容偏好。通过利用缓存和合作增益，这些策略可以显著减少用户的平均下载延迟。

Aug, 2017

在本文中，我们提出并评估了三种分布式遗传算法（GA）设计，用于雾计算中的资源优化问题，其设计基于 GA 在雾设备本身中的执行，以应对约束资源和设备广泛地理分布等特定问题。通过利用 NSGA-II 实施了基准案例，在优化雾服务部署问题的特定领域指导下，对这三种分布式设计进行了比较评估。结果表明，最低分布度的设计在保持目标空间集中存储的同时，实现了与传统方法相当的解决方案质量但产生了更高的网络负载。第二种设计完全分配了种群给工作节点，减少了网络开销，但在解决方案多样性方面表现较差，同时在优化目标最小化方面仍具有足够好的结果。最后，使用分布式种群且仅在相邻工作节点之间交换解决方案的提议实现了最低的网络负载，但解决方案质量受到了影响。

Jun, 2024

通过使用一种叫作 Fog learning 的新学习范式，从边缘设备到云服务器中智能地分布机器学习模型的训练，来增强联邦学习的三个重要维度：网络、异构性和邻近性，并考虑由各种接近程度异构设备组成的多层混合学习框架，通过设备到设备（D2D）通信进行协作学习，使其从联邦学习中用于参数传输的星型网络拓扑迁移到更分布式的规模。

Jun, 2020