碳感知 MEC 任务卸载与多智能体强化学习¶
初读范围：本文基于 arXiv 元数据、摘要和公开条目信息建立阅读卡片；尚未完成 PDF 全文逐段复核、算法细节复现或仿真参数核验，因此保持
UNVERIFIED / UNREVIEWED。
为什么值得读¶
MEC 任务卸载像把现场工作分给附近服务台：本地算、省通信，边缘算、省电但占网络。若再加入可再生能源和碳强度，决策就不只是“谁快谁算”，还要考虑什么时候算、用哪块能源、是否会造成无线干扰。
这篇论文把 MIMO-MEC、动态任务卸载、绿色能源和多智能体强化学习放在一起，适合补 task-offloading-drl 的可持续计算视角。
论文要回答的问题¶
- MEC 卸载如何同时考虑延迟、能耗、碳排和无线干扰。
- 去中心化 MARL 为什么适合多用户、多边缘节点场景。
- 可再生能源间歇性如何进入状态和奖励设计。
- 算法是否能在任务到达和信道变化下保持稳定。
初读要点¶
| 模块 | 直觉 | 关键风险 |
|---|---|---|
| MIMO uplink | 多用户同时上传任务 | 干扰和 CSI 假设 |
| MEC server | 近端执行任务 | 排队和能耗模型 |
| Green energy | 低碳但不稳定 | 预测误差 |
| MARL | 多设备分别决策 | 收敛和安全性 |
放进全栈框架¶
- Layer 2 的无线链路决定卸载成本。
- Layer 4 负责 MEC 资源和任务调度。
- Layer 5 使用 RL 做策略学习，但不能忽略可解释性和稳定性。
- Layer 8 连接绿色计算和自治网络趋势。
初读结论¶
这篇论文把“绿色 MEC”从口号变成可建模的调度问题。后续深读应重点核验奖励函数是否平衡多目标、仿真是否覆盖极端负载，以及 MARL 策略是否有安全约束，避免为了省碳牺牲关键业务可靠性。
后续核验清单¶
- 抽取状态、动作、奖励和训练流程。
- 核对 MIMO 信道、任务到达、绿色能源和碳强度模型。
- 比较 MARL 与启发式、集中式优化的指标差异。
- 对接
green-edge-scheduling与reinforcement-learning-edge。
参考文献¶
[1] M. Zulfiqar, M. A. Mirza, and B. Qureshi, "Carbon-aware decentralized dynamic task offloading in MIMO-MEC networks via multi-agent reinforcement learning," arXiv:2602.18797, 2026.