Limited battery and computing resources of mobile devices (MDs) induce performance limitations in mobile edge computing (MEC) networks. Computational offloading has the capability to provide computing and storage resources to MDs for resource-intensive tasks execution. Therefore, to minimize energy consumption and service delay, MDs offload the resource-intensive tasks to nearby mobile edge server (MES) for execution . However, due to time varying network conditions and limited computing resources at MES also, the offloading decision taken by MDs may not achieve the lowest cost. In this paper, we propose an energy efficient and faster deep learning based offloading technique (EFDOT) to minimize the overall cost of MDs. We formulate a cost function which considers the energy consumption and service delay of MDs, radio resources, energy consumption and delay due to task partitioning, and computing resources of the MDs and MESs. Due to high computational overhead of this comprehensive cost function, we generate a training dataset to train a deep neural network (DNN) in order to make the decision making process faster. The proposed work finds the optimal number of components, task partitioning, and fine-grained offloading policy simultaneously. We formulate the fine-grained offloading decision problem in MEC as multi-label classification problem and propose EFDOT to minimize the computation and offloading overhead. The simulation results show high accuracy of the DNN and high performance of EFDOT in terms of energy consumption, service delay, and battery life.

移动设备 (MD) 的有限电池和计算资源会导致移动边缘计算 (MEC) 网络的性能受限。计算卸载能够为执行资源密集型任务的 MD 提供计算和存储资源。因此，为了最小化能源消耗和服务延迟，MD 将资源密集型任务卸载到附近的移动边缘服务器 (MES) 执行。然而，由于时变的网络条件和 MES 的计算资源有限，MD 采取的卸载决策可能无法实现最低成本。在本文中，我们提出了一种节能且基于深度学习的卸载技术（EFDOT），以最大限度地降低 MD 的总体成本。我们制定了一个成本函数，它考虑了 MD、无线电资源、任务划分导致的能耗和延迟，以及 MD 和 MES 的计算资源。由于这种综合成本函数的计算开销很大，我们生成了一个训练数据集来训练深度神经网络 (DNN)，以便更快地做出决策。拟议的工作同时找到了最佳组件数量、任务分区和细粒度卸载策略。我们将 MEC 中的细粒度卸载决策问题表述为多标签分类问题，并提出 EFDOT 以最小化计算和卸载开销。仿真结果表明，DNN 在能耗、服务延迟和电池寿命方面具有较高的准确性和 EFDOT 的高性能。由于这种综合成本函数的计算开销很大，我们生成了一个训练数据集来训练深度神经网络 (DNN)，以便更快地做出决策。拟议的工作同时找到了最佳组件数量、任务分区和细粒度卸载策略。我们将 MEC 中的细粒度卸载决策问题表述为多标签分类问题，并提出 EFDOT 以最小化计算和卸载开销。仿真结果表明，DNN 在能耗、服务延迟和电池寿命方面具有较高的准确性和 EFDOT 的高性能。由于这种综合成本函数的计算开销很大，我们生成了一个训练数据集来训练深度神经网络 (DNN)，以便更快地做出决策。拟议的工作同时找到了最佳组件数量、任务分区和细粒度卸载策略。我们将 MEC 中的细粒度卸载决策问题表述为多标签分类问题，并提出 EFDOT 以最小化计算和卸载开销。仿真结果表明，DNN 在能耗、服务延迟和电池寿命方面具有较高的准确性和 EFDOT 的高性能。任务分区和细粒度卸载策略同时进行。我们将 MEC 中的细粒度卸载决策问题表述为多标签分类问题，并提出 EFDOT 以最小化计算和卸载开销。仿真结果表明，DNN 在能耗、服务延迟和电池寿命方面具有较高的准确性和 EFDOT 的高性能。任务分区和细粒度卸载策略同时进行。我们将 MEC 中的细粒度卸载决策问题表述为多标签分类问题，并提出 EFDOT 以最小化计算和卸载开销。仿真结果表明，DNN 在能耗、服务延迟和电池寿命方面具有较高的准确性和 EFDOT 的高性能。