Empowered by computing resources at the network edge, data sensed from Internet of Things (IoT) devices can be processed and stored in their nearby cloudlets to reduce the traffic load in the core network, while various IoT applications can be run in cloudlets to reduce the response time between IoT users (e.g., user equipment in mobile networks) and cloudlets. Considering the spatial and temporal dynamics of each application's workloads among cloudlets, the workload allocation among cloudlets for each IoT application affects the response time of the application's requests. While assigning IoT users' requests to their nearby cloudlets can minimize the network delay, the computing delay of a type of requests may be unbearable if the corresponding virtual machine of the application in a cloudlet is overloaded. To solve this problem, we design an application aware workload allocation scheme for edge computing-based IoT to minimize the response time of IoT application requests by deciding the destination cloudlets for each IoT user's different types of requests and the amount of computing resources allocated for each application in each cloudlet. In this scheme, both the network delay and computing delay are taken into account, i.e., IoT users' requests are more likely assigned to closer and lightly loaded cloudlets. Meanwhile, the scheme will dynamically adjust computing resources of different applications in each cloudlet based on their workloads, thus reducing the computing delay of all requests in the cloudlet. The performance of the proposed scheme has been validated by extensive simulations.

As autonomous driving may be the most important application scenario of the next generation, the development of wireless access technologies enabling reliable and low-latency vehicle communication becomes crucial. To address this, 3GPP has developed Vehicle-to-Everything (V2X) specifications based on 5G New Radio (NR) technology, where Mode 2 Side-Link (SL) communication resembles Mode 4 in LTE-V2X, allowing direct communication between vehicles. This supplements SL communication in LTE-V2X and represents the latest advancements in cellular V2X (C-V2X) with the improved performance of NR-V2X. However, in NR-V2X Mode 2, resource collisions still occur and thus degrade the age of information (AOI). Therefore, an interference cancellation method is employed to mitigate this impact by combining NR-V2X with Non-Orthogonal multiple access (NOMA) technology. In NR-V2X, when vehicles select smaller resource reservation intervals (RRIs), higher-frequency transmissions use more energy to reduce AoI. Hence, it is important to jointly considerAoI and communication energy consumption based on NR-V2X communication. Then, we formulate such an optimization problem and employ the Deep Reinforcement Learning (DRL) algorithm to compute the optimal transmission RRI and transmission power for each transmitting vehicle to reduce the energy consumption of each transmitting vehicle and the AoI of each receiving vehicle. Extensive simulations demonstrate the performance of our proposed algorithm.