Integrating AI into Mobile Cloud Computing Task Offloading
| dc.contributor.author | Mr. ROUILA , Abdennour | |
| dc.contributor.author | AKARAB , Mohamed Dhia Eddine | |
| dc.contributor.author | ANNANE , Boubakeur Supervisor | |
| dc.date.accessioned | 2026-11-10T13:48:53Z | |
| dc.date.issued | 2026 | |
| dc.description | يستكشف هذا البحث تطبيق الذكاء الاصطناعي (AI) على تفريغ المهام الحوسبية في بيئات الحوسبة السحابية المتنقّلة (MCC) . تتناول الدراسة تحدّي توزيع المهام الحوسبية بكفاءة بين الأجهزة المحلية وخوادم الحافة وموارد السحابة، مع تقليل زمن التنفيذ واستهلاك الطاقة. ولتحقيق هذا الهدف، تُصاغ مشكلة التفريغ كمسألة تعلّم معزّز (RL)، وتُستخدَم خوارزميتان من خوارزميات التعلّم المعزّز العميق (DRL) وهما شبكة Q العميقة (DQN) وشبكة Q العميقة المزدوجة (DDQN) لتعلّم سياسات تفريغ تكيّفية اعتمادًا على حالة النظام في الزمن الحقيقي. يُقترَح إطار عمل ذكيّ مغلق الحلقة، نُفّذ بلغة Python وقُيّم من خلال تجارب المحاكاة. تُظهِر النتائج أنّ النهج المقترَح القائم على التعلّم المعزّز العميق يحسّن بفعالية قرارات توزيع المهام، ويقلّل من زمن الاستجابة واستهلاك الطاقة، ويحقّق تقاربًا مستقرّا أثناء التدريب. تُبرز هذه النتائج إمكانات استراتيجيات التفريغ المعتمدة على الذكاء الاصطناعي والمدرِكة للسياق في تعزيز أداء وكفاءة أنظمة الحوسبة السحابية المتنقّلة من الجيل القادم. | |
| dc.description.abstract | This thesis explores the application of Artificial Intelligence (AI) to task offloading in Mobile Cloud Computing (MCC) environments. The study addresses the challenge of efficiently allocating computational tasks among local devices, edge servers, and cloud resources while minimizing execution delay and energy consumption. To achieve this objective, the offloading problem is formulated as a Reinforcement Learning (RL) task, and two Deep Reinforcement Learning (DRL) algorithms, Deep Q-Network (DQN) and Double Deep Q-Network (DDQN), are employed to learn adaptive offloading policies based on real-time system conditions. A closed-loop intelligent framework is proposed, implemented in Python, and evaluated through simulation experiments. The results demonstrate that the proposed DRL-based approach effectively improves task allocation decisions, reduces latency and energy consumption, and achieves stable convergence during training. These findings highlight the potential of AI-driven, context-aware offloading strategies for enhancing the performance and efficiency of next-generation MCC systems. | |
| dc.description.sponsorship | Ce mémoire explore l’application de l’intelligence artificielle (IA) au déchargement de tâches dans les environnements de Mobile Cloud Computing (MCC). L’étude aborde le défi de répartir efficacement les tâches de calcul entre les appareils locaux, les serveurs de périphérie (edge) et les ressources du cloud, tout en minimisant le délai d’exécution et la consommation d’énergie. Pour atteindre cet objectif, le problème de déchargement est formulé comme une tâche d’apprentissage par renforcement (RL), et deux algorithmes d’apprentissage par renforcement profond (DRL), le Deep Q-Network (DQN) et le Double Deep Q-Network (DDQN), sont employés pour apprendre des politiques de déchargement adaptatives fondées sur les conditions du système en temps réel. Un cadre intelligent en boucle fermée est proposé, implémenté en Python et évalué au moyen d’expériences de simulation. Les résultats démontrent que l’approche proposée fondée sur le DRL améliore efficacement les décisions d’allocation des tâches, réduit la latence et la consommation d’énergie, et atteint une convergence stable durant l’entraînement. Ces résultats mettent en évidence le potentiel des stratégies de déchargement pilotées par l’IA et sensibles au contexte pour améliorer les performances et l’efficacité des systèmes MCC de nouvelle génération | |
| dc.identifier.other | MAI/1117 | |
| dc.identifier.uri | https://repository.univ-setif.dz/handle/123456789/4055 | |
| dc.language.iso | en | |
| dc.publisher | Unuversity Setif 1 Ferhat Abbas . Faculty of Sciences | |
| dc.subject | Mobile Cloud Computing (MCC) | |
| dc.subject | Task Offloading | |
| dc.subject | Deep Reinforcement Learning (DRL) | |
| dc.subject | Deep Q-Network (DQN) | |
| dc.subject | Double Deep Q-Network (DDQN) | |
| dc.subject | Artificial Intelligence | |
| dc.subject | Energy Efficiency. | |
| dc.title | Integrating AI into Mobile Cloud Computing Task Offloading | |
| dc.type | Thesis |