論文の概要: Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line
and Off-policy Bandit Solutions
- arxiv url: http://arxiv.org/abs/2008.06302v1
- Date: Fri, 14 Aug 2020 11:48:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 18:01:50.296212
- Title: Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line
and Off-policy Bandit Solutions
- Title(参考訳): 不均質なベクトルエッジネットワークにおける計算負荷:オンラインおよびオフラインバンドソリューション
- Authors: Arash Bozorgchenani, Setareh Maghsudi, Daniele Tarchi, Ekram Hossain
- Abstract要約: 高速変動車体環境では、ネットワークの混雑によりオフロードの遅延が発生する。
本稿では,バンディット理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。
提案手法は,最も混雑の少ないネットワークを選択することで,ネットワークのトラフィック変化に適応することを示す。
- 参考スコア(独自算出の注目度): 30.606518785629046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid advancement in vehicular communications and intelligent
transportation systems technologies, task offloading in vehicular networking
scenarios is emerging as a promising, yet challenging, paradigm in mobile edge
computing. In this paper, we study the computation offloading problem from
mobile vehicles/users, more specifically, the network- and base station
selection problem, in a heterogeneous Vehicular Edge Computing (VEC) scenario,
where networks have different traffic loads. In a fast-varying vehicular
environment, the latency in computation offloading that arises as a result of
network congestion (e.g. at the edge computing servers co-located with the base
stations) is a key performance metric. However, due to the non-stationary
property of such environments, predicting network congestion is an involved
task. To address this challenge, we propose an on-line algorithm and an
off-policy learning algorithm based on bandit theory. To dynamically select the
least congested network in a piece-wise stationary environment, from the
offloading history, these algorithms learn the latency that the offloaded tasks
experience. In addition, to minimize the task loss due to the mobility of the
vehicles, we develop a method for base station selection and a relaying
mechanism in the chosen network based on the sojourn time of the vehicles.
Through extensive numerical analysis, we demonstrate that the proposed
learning-based solutions adapt to the traffic changes of the network by
selecting the least congested network. Moreover, the proposed approaches
improve the latency of offloaded tasks.
- Abstract(参考訳): 車両通信とインテリジェントトランスポートシステムの技術の急速な進歩により、車両ネットワークシナリオにおけるタスクオフロードは、モバイルエッジコンピューティングにおける有望だが挑戦的なパラダイムとして現れつつある。
本稿では,ネットワークの負荷が異なる異種車両エッジコンピューティング(vec)シナリオにおいて,移動体/ユーザからの計算オフロード問題,具体的にはネットワークと基地局の選択問題について検討する。
高速変動車両環境では、ネットワークの混雑(例えば、エッジコンピューティングサーバと基地局が同じ位置にある)によって発生する計算オフロードの遅延が重要なパフォーマンス指標である。
しかし、そのような環境の非定常性のため、ネットワーク混雑の予測は関連するタスクである。
この課題に対処するために,バンド理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。
これらのアルゴリズムは、オフロード履歴から、断片的な定常環境において最も混雑の少ないネットワークを動的に選択するために、オフロードされたタスクが経験するレイテンシを学習する。
また,車両の移動性によるタスク損失を最小限に抑えるため,選択したネットワーク上での基地局選択と中継機構を車両の所要時間に基づいて開発する。
大規模な数値解析により,提案手法がネットワークのトラフィック変化に適応することを示す。
さらに,提案手法では,オフロードタスクのレイテンシが向上する。
関連論文リスト
- A Distance Similarity-based Genetic Optimization Algorithm for Satellite Ground Network Planning Considering Feeding Mode [53.71516191515285]
衛星データ中継ミッションの送信効率の低さは、現在システムの構築を制約している問題となっている。
本研究では,タスク間の状態特性を考慮した距離類似性に基づく遺伝的最適化アルゴリズム(DSGA)を提案し,タスク間の類似性を決定するための重み付きユークリッド距離法を提案する。
論文 参考訳(メタデータ) (2024-08-29T06:57:45Z) - DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-06-11T06:31:03Z) - Congestion-aware Distributed Task Offloading in Wireless Multi-hop
Networks Using Graph Neural Networks [33.79834562046449]
既存のオフロード方式は主にモバイルデバイスとサーバに焦点を当て、複数のモバイルデバイスからのタスクによるネットワークの混雑を無視する。
本稿では,グラフベース機械学習を用いて分散グリードフレームワークを増強し,分散タスクオフロード方式を提案する。
提案手法は,コンテキストに依存しないベースライン下での混雑や不安定な待ち行列の低減に有効であるとともに,ローカルコンピューティングによる実行遅延の改善にも有効である。
論文 参考訳(メタデータ) (2023-12-05T03:46:30Z) - Eco-Driving Control of Connected and Automated Vehicles using Neural
Network based Rollout [0.0]
接続された自動運転車は、エネルギー消費を最小化する可能性がある。
既存の決定論的手法は、一般に高い計算とメモリ要求に悩まされる。
本研究ではニューラルネットワークを介して実装された階層型マルチ水平最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-16T23:13:51Z) - Knowledge-Driven Multi-Agent Reinforcement Learning for Computation
Offloading in Cybertwin-Enabled Internet of Vehicles [24.29177900273616]
我々は,サイバトウィン対応IoVにおけるタスクオフロードの遅延を低減するために,知識駆動型マルチエージェント強化学習(KMARL)手法を提案する。
具体的には、検討されたシナリオにおいて、サイバートウィンは、各車両が情報を交換し、仮想空間におけるオフロード決定を行うための通信エージェントとして機能する。
論文 参考訳(メタデータ) (2023-08-04T09:11:37Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳(メタデータ) (2022-03-05T10:54:05Z) - IoV Scenario: Implementation of a Bandwidth Aware Algorithm in Wireless
Network Communication Mode [49.734868032441625]
本稿では,マルチドメイン仮想ネットワーク埋め込みアルゴリズム(BA-VNE)を提案する。
このアルゴリズムは主に、ユーザが無線通信モードで多くの帯域幅を必要とする問題を対象としている。
本アルゴリズムの性能向上のために,粒子群最適化(PSO)アルゴリズムを導入する。
論文 参考訳(メタデータ) (2022-02-03T03:34:06Z) - Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。
私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
論文 参考訳(メタデータ) (2021-11-11T11:31:20Z) - Cellular traffic offloading via Opportunistic Networking with
Reinforcement Learning [0.5758073912084364]
本稿では,Reinforcement Learningフレームワークに基づく適応型オフロードソリューションを提案する。
Actor-Critic と Q-Learning の2つのよく知られた学習アルゴリズムの性能を評価し比較する。
我々のソリューションは、他の最先端のアプローチよりも高いレベルのオフロードを実現する。
論文 参考訳(メタデータ) (2021-10-01T13:34:12Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳(メタデータ) (2021-02-12T09:33:00Z) - Deep Reinforcement Learning for Collaborative Edge Computing in
Vehicular Networks [40.957135065965055]
協調エッジコンピューティングフレームワークは、コンピューティングサービスのレイテンシを低減し、車両ネットワークのサービスの信頼性を向上させるために開発されている。
人工知能(AI)に基づく協調コンピューティングアプローチが開発され、車両のタスクオフロード、コンピューティング、結果配信ポリシーが決定される。
当社のアプローチでは,サービスレイテンシとサービス障害ペナルティを含むサービスコストを,最適なワークロード割り当てとサーバの選択によって最小化することができる。
論文 参考訳(メタデータ) (2020-10-05T00:06:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。