In zukünftigen drahtlosen Netzwerken wird eine extrem hohe Zahl an heterogenen Geräten miteinander kommunizieren, sodass der Datenverkehr enorm ansteigen wird. Zudem werden zukünftige Anwendungen signifikant höhere Anforderungen in Bezug auf Datenraten, Zuverlässigkeit und Latenzzeiten aufweisen. Konventionelle Ansätze, die lediglich darauf abzielen, die Kommunikationsfähigkeiten der drahtlosen Netzwerke zu verbessern, reichen nicht aus, um zukünftigen Anforderungen gerecht zu werden. Daher ist ein Paradigmenwechsel nötig. Konventionell werden drahtlose Netzwerke als reine Kommunikationsnetzwerke verstanden. Zukünftig verfügen sie aber neben Kommunikationsressourcen in zunehmendem Maße auch über Rechen-, Speicher-, Datenerfassungs- und sogar Nutzerressourcen. Solche Ressourcen sind sowohl Teil der Netzwerkinfrastruktur als auch der drahtlos verbundenen Geräte und ihrer Nutzer. Diese fundamental andere Auffassung von drahtlosen Netzwerken als Netzwerke verteilter, miteinander verbundener Ressourcen erfordert die Entwicklung neuer Verfahren, die verschiedene Arten von Ressourcen gemeinsam betrachten und einsetzen, um die Performanz drahtloser Netzwerke zu erhöhen.

In dieser Arbeit zeigen wir, dass Methoden zur kontextbezogenen Entscheidungsfindung für neue Verfahren, die verschiedene Arten von Ressourcen in drahtlosen Netzwerken gemeinsam betrachten und einsetzen, benötigt werden. Dies liegt daran, dass erstens Ressourcen geteilt werden müssen und dass zweitens zwischen den verschiedenen Arten von Ressourcen abgewogen werden muss. Drittens kann die optimale Ressourcenallokation nicht nur von Netzwerkbedingungen, sondern auch von weiteren Kontextfaktoren abhängen, die zum Beispiel die Knoten, die Nutzer oder externe Gegebenheiten betreffen. Wir geben einen Überblick über kontextbezogene Entscheidungsfindung, indem wir Kontextbewusstsein, Entscheidungsarchitekturen und Agentenentwürfe} diskutieren. Zunächst wird zur Erstellung eines Rahmenwerks für kontextbezogene Entscheidungsfindung ein kontextbewusstes Modell des Systems benötigt. Zudem müssen Entscheidungsträger, sogenannte Agenten, bestimmt werden, die innerhalb des Rahmenwerks für die Ressourcenallokation verantwortlich sind. Die Agenten können Teil einer zentralisierten, dezentralisierten oder hierarchischen Entscheidungsarchitektur sein. Zuletzt muss ein Entwurf der Agenten erstellt werden, indem das betrachtete Entscheidungsproblem modelliert und klassifiziert wird, und eine passende Methode entwickelt wird, anhand derer die Agenten Entscheidungen treffen. Relevante Methoden sind insbesondere Optimierungsansätze und Ansätze des maschinellen Lernens, im letzteren Fall insbesondere das Rahmenwerk des mehrarmigen Banditen.

Darüber hinaus untersuchen wir in dieser Arbeit drei Verfahren, die verschiedene Arten von Ressourcen in drahtlosen Netzwerken gemeinsam betrachten und einsetzen. Diese sind die Auslagerung von Rechenaufgaben (Computation Offloading) in drahtlosen Multi-Hop-Netzwerken, das Speichern von Inhalten am Rand des drahtlosen Netzwerks (Caching at the Edge) und das Auslagern von Aufgaben an eine große Anzahl von mobilen Nutzern über das Internet (Mobile Crowdsourcing). Für jedes dieser drei Verfahren identifizieren wir ein fundamentales kontextbezogenes Entscheidungsproblem und schlagen ein neuartiges Rahmenwerk für kontextbezogene Entscheidungsfindung vor.

Computation Offloading erlaubt es drahtlos verbundenen Geräten, Rechenaufgaben an ressourcenreiche Server auszulagern, was die Bearbeitungszeit der Rechenaufgaben und den Energieverbrauch der Geräte verringern kann. Somit wird mithilfe von Computation Offloading zwischen Rechenressourcen und Kommunikationsressourcen abgewogen. In dieser Arbeit untersuchen wir zum ersten Mal Computation Offloading in drahtlosen Multi-Hop-Netzwerken, in welchen drahtlos verbundene Geräte die Daten anderer Geräte im Sinne einer Relaisstation weiterleiten. Wir identifizieren das fundamentale Problem des kontextbezogenen Computation Offloadings mit dem Ziel der Energieminimierung in drahtlosen Multi-Hop-Netzwerken. Wir schlagen ein neuartiges Modell vor, welches die Kanalbedingungen, die Rechenfähigkeiten der Geräte, die Eigenschaften der Rechenaufgaben und die Batteriebeschränkungen der Relaisstationen berücksichtigt, da der durch Computation Offloading erzielte Nutzen von diesen Kontextfaktoren abhängt. Basierend auf dem vorgeschlagenen Modell wählen wir einen Optimierungsansatz und formulieren das betrachtete Problem als ein mehrdimensionales Rucksackproblem, welches die nichttrivialen Kopplungen bei der Auslagerung von Rechenaufgaben einbezieht, die sich daraus ergeben, dass die Kommunikationsressourcen der Relaisstationen geteilt werden müssen. Zuletzt schlagen wir einen neuartigen kontextbezogenen, heuristischen Greedy-Algorithmus für Computation Offloading in drahtlosen Multi-Hop-Netzwerken vor. Basierend auf einer zentralisierten Entscheidungsarchitektur ermöglicht dieser Algorithmus einem zentralen Agenten, Entscheidungen über die Auslagerung von Rechenaufgaben unter Zuhilfenahme von zentral gesammelten Kontextinformationen zu treffen. Wir zeigen, dass der Algorithmus trotz seiner zentralisierten Architektur einen geringen Kommunikationsaufwand aufweist. Numerische Ergebnisse legen dar, dass das Auslagern von Rechenaufgaben auf Basis des vorgeschlagenen Algorithmus den Energieverbrauch des Netzwerks im Mittel um 13% senkt, im Vergleich zu dem Fall, dass alle Rechenaufgaben lokal von den Geräten berechnet werden. Zudem erzielt der vorgeschlagene Algorithmus, mit einer maximalen Abweichung von unter 6% vom globalen Optimum, nahezu optimale Lösungen.

Mittels Caching at the Edge werden populäre Inhalte nah bei den mobilen Nutzern gespeichert, um deren Anfragen lokal zu bedienen, wodurch die Menge an Mobilfunkverkehr und die Latenzzeiten der Nutzer reduziert werden. Somit werden mithilfe von Caching at the Edge Speicherressourcen ausgenutzt, um Kommunikationsressourcen zu sparen. In dieser Arbeit identifizieren wir das grundlegende Problem des kontextbezogenen Cachings at the Edge mit dem Ziel der Maximierung der Anzahl an Nutzeranfragen, die durch die Inhalte im Cache-Speicher abgedeckt werden können (Cache Hits), unter fehlender a priori Kenntnis der Popularität von Inhalten. Wir stellen ein neues Modell für kontextbezogenes proaktives Caching at the Edge vor, welches einbezieht, dass verschiedene Nutzer verschiedene Inhalte bevorzugen können und dass die Präferenzen der Nutzer von ihren Kontexten abhängen können. Unter Verwendung eines Ansatzes des maschinellen Lernens, basierend auf dem Rahmenwerk des kontextabhängigen mehrarmigen Banditen, schlagen wir einen neuartigen Online-Lernalgorithmus für kontextbezogenes proaktives Caching at the Edge vor. Auf Basis einer dezentralisierten Entscheidungsarchitektur ermöglicht dieser Algorithmus dem Controller eines lokalen Cache-Speichers, die kontextspezifische Popularität von Inhalten, die typischerweise a priori nicht bekannt ist, online im Laufe der Zeit zu erlernen. Der vorgeschlagene Algorithmus berücksichtigt die Zielvorgaben des Betreibers eines Cache-Speichers, indem die Differenzierung von Services ermöglicht wird. Wir analysieren die Komplexität, den Speicher- und den Kommunikationsbedarf des Algorithmus und zeigen, wie der Algorithmus an praktische Anforderungen angepasst werden kann. Außerdem leiten wir eine sublineare obere Schranke für den sogenannten Regret des Algorithmus her, welche die Lerngeschwindigkeit des Algorithmus charakterisiert und beweist, dass der Algorithmus gegen die optimale Inhaltsplatzierungsstrategie konvergiert. Simulationen auf Basis realer Daten zeigen, dass der vorgeschlagene Algorithmus, in Abhängigkeit der Größe des Cache-Speichers, bis zu 27% mehr Cache Hits erzielt als der beste Algorithmus aus der Literatur.

Mobile Crowdsourcing (MCS) erlaubt es Inhabern von Aufgaben, diese Aufgaben mittels einer Mobile-Crowdsourcing-Plattform (MCSP) über das Internet an eine große Anzahl von mobilen Nutzern auszulagern. Somit nutzen MCS-Anwendungen Nutzerressourcen zur Aufgabenlösung aus. In dieser Arbeit identifizieren wir das fundamentale Problem der kontextbezogenen Auswahl von mobilen Nutzern in MCS-Anwendungen mit dem Ziel der Maximierung der Arbeitsleistung unter fehlender a priori Kenntnis der zu erwartenden Arbeitsleistungen individueller Nutzer. Wir stellen ein neuartiges Modell für die kontextbezogene Auswahl von Nutzern zur Aufgabenlösung in MCS-Anwendungen vor, welches verschiedenartige Aufgabentypen zulässt, und welches zudem explizit berücksichtigt, dass die Arbeitsleistung eine nichtlineare Funktion sowohl des Aufgabenkontextes als auch des Nutzerkontextes sein kann. Unter Verwendung eines Ansatzes des maschinellen Lernens, basierend auf dem Rahmenwerk des kontextabhängigen mehrarmigen Banditen, schlagen wir einen neuartigen kontextbezogenen hierarchischen Online-Lernalgorithmus für die Auswahl von Nutzern zur Aufgabenlösung in MCS-Anwendungen vor. Auf Basis einer hierarchischen Entscheidungsarchitektur teilt dieser Algorithmus die Datenerfassung und die Entscheidungsfindung unter mehreren Agenten auf. Lokale Controller in den mobilen Endgeräten der Nutzer erlernen die kontextspezifischen Arbeitsleistungen der Nutzer online im Laufe der Zeit. Basierend auf einem regelmäßigen Informationsaustausch mit den lokalen Controllern weist die zentrale MCSP den Nutzern Aufgaben zu. Dieser neuartige Ansatz löst zwei kritische Punkte. Zum einen verbleibt der persönliche Kontext der Nutzer lokal, was den Kommunikationsaufwand reduziert und die Privatsphäre der Nutzer schützt, da letztere ihren persönlichen Kontext möglicherweise nicht mit der MCSP teilen möchten. Zum anderen ermöglicht der Ansatz der MCSP, mithilfe der von den lokalen Controllern erlernten kontextspezifischen Arbeitsleistungen der Nutzer, die typischerweise a priori unbekannt sind, für jede Aufgabe die am besten geeigneten Nutzer auszuwählen. Wir analysieren die Komplexität des Algorithmus und leiten obere Schranken für seinen Speicherbedarf und für die maximal benötigte Anzahl an Qualitätsüberprüfungen eines einzelnen Nutzers her. Außerdem zeigen wir, dass je mehr Nutzerkontext die lokalen Controller zur Verfügung gestellt bekommen, desto kleiner wird der Kommunikationsbedarf des vorgeschlagenen Algorithmus im Vergleich zu einem äquivalenten zentralisierten Ansatz. Zudem leiten wir eine sublineare obere Schranke für den Regret des Algorithmus her, welche die Lerngeschwindigkeit des Algorithmus charakterisiert und beweist, dass der Algorithmus gegen die optimale Nutzerauswahlstrategie konvergiert. Zuletzt zeigen wir mittels Simulationen auf Basis synthetischer und realer Daten, dass der vorgeschlagene Algorithmus, in Abhängigkeit der Nutzerverfügbarkeit, eine bis zu 49% höhere kumulative Arbeitsleistung erzielt als der beste Algorithmus aus der Literatur.