Wireless networks in next generation will provide users ubiquitous computing services with low delay by devices at the network edge, namely mobile edge computing (MEC). The intensive computation tasks can be partially offloaded to the MEC server via the wireless link and then processed through the MEC computation resources to cater for the delay demand. A parallel computation process is formed in the MEC network consists of local computation at MEC users (MUs) and MEC computation at MEC servers. However, the fluctuating wireless channel environment, changeable spatial distribution of MUs and the randomness of MEC servers’ locations make it hard to characterize and guarantee the end-to-end quality of service requirements. In this work, we are devoted to analyze and optimize the overall delay bound for MEC networks under two orthogonal frequency division multiple access (OFDMA) strategies via stochastic network calculus (SNC). Specifically, Poisson cluster process is utilized to capture the randomness of MEC servers’ and users’ spatial locations and to derive the Laplace transform of interference suffered by an MU of interest. The upper bounds for the delay violation probability of two OFDMA strategies are established by exploiting SNC with the Mellin transform of signal-to-interference ratio. Furthermore, we propose an optimal task offloading scheme by minimizing the overall delay, which balances the local computation delay and MEC delay.

In this letter, we propose a proactive online power allocation algorithm aiming to maximize the ergodic sum rate for an uplink multi-carrier non-orthogonal multiple access enabled Internet of Things (IoT) network, in which IoT devices (IoTDs) are subject to both instantaneous and ergodic transmit power constraints. The proposed algorithm enables a natural distributed implementation where each IoTD chooses its own transmit power proactively for future time slots without requiring instant channel power gain (CPG) information but only upon a delayed feedback of the sum rate gradient from the base station and a self-maintaining virtual queue. We show that the optimal power allocation for each IoTD can be easily obtained by a low-complexity bisection method. Moreover, the proposed algorithm achieves an [ O( V), O(1/ V)]-tradeoff between the virtual queue length and the ergodic sum rate optimality, where V is a positive parameter. Simulation results show that our algorithm has a comparable convergence speed and insignificant performance loss compared to a centralized drift-plus-penalty based algorithm upon instant CPG information.