論文の概要: Revenue and Energy Efficiency-Driven Delay Constrained Computing Task Offloading and Resource Allocation in a Vehicular Edge Computing Network: A Deep Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2010.08119v1
• Date: Fri, 16 Oct 2020 02:45:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 20:39:17.895272
• Title: Revenue and Energy Efficiency-Driven Delay Constrained Computing Task Offloading and Resource Allocation in a Vehicular Edge Computing Network: A Deep Reinforcement Learning Approach
• Title（参考訳）: 自動車用エッジコンピューティングネットワークにおける収益とエネルギー効率による遅延制約コンピューティングタスクのオフロードとリソース割り当て:深層強化学習アプローチ
• Authors: Xinyu Huang, Lijun He, Xing Chen, Liejun Wang, Fan Li
• Abstract要約: 作業遅延制約に対するタスクタイプと車両速度の併用効果は研究されていない。 本稿では,共同作業型と車速対応タスクオフロードと資源配分戦略を提案する。 本アルゴリズムは,タスク完了遅延,車両のエネルギーコスト,処理収益において優れた性能を実現することができる。
• 参考スコア（独自算出の注目度）: 13.400466824558915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For in-vehicle application,task type and vehicle state information, i.e., vehicle speed, bear a significant impact on the task delay requirement. However, the joint impact of task type and vehicle speed on the task delay constraint has not been studied, and this lack of study may cause a mismatch between the requirement of the task delay and allocated computation and wireless resources. In this paper, we propose a joint task type and vehicle speed-aware task offloading and resource allocation strategy to decrease the vehicl's energy cost for executing tasks and increase the revenue of the vehicle for processing tasks within the delay constraint. First, we establish the joint task type and vehicle speed-aware delay constraint model. Then, the delay, energy cost and revenue for task execution in the vehicular edge computing (VEC) server, local terminal and terminals of other vehicles are calculated. Based on the energy cost and revenue from task execution,the utility function of the vehicle is acquired. Next, we formulate a joint optimization of task offloading and resource allocation to maximize the utility level of the vehicles subject to the constraints of task delay, computation resources and wireless resources. To obtain a near-optimal solution of the formulated problem, a joint offloading and resource allocation based on the multi-agent deep deterministic policy gradient (JORA-MADDPG) algorithm is proposed to maximize the utility level of vehicles. Simulation results show that our algorithm can achieve superior performance in task completion delay, vehicles' energy cost and processing revenue.
• Abstract（参考訳）: 車載アプリケーション、タスクタイプ、および車両の状態情報、すなわち車両の速度は、タスクの遅延要求に大きな影響を与える。 しかし、タスクの遅延制約に対するタスクタイプと車両速度の併用効果は研究されておらず、この研究の欠如は、タスクの遅延要求と割り当てた計算と無線リソースとのミスマッチを引き起こす可能性がある。 本稿では,タスク実行におけるvehiclのエネルギーコストを削減し,遅延制約内でタスク処理を行う車両の収益を増大させるため,共同作業型および車両速度対応タスクオフロードと資源配分戦略を提案する。 まず,共同作業型と車両速度を考慮した遅延制約モデルを確立する。 そして、車両エッジコンピューティング(VEC)サーバ、ローカル端末および他の車両の端末におけるタスク実行の遅延、エネルギーコスト、収益を算出する。 タスク実行によるエネルギーコストと収益に基づいて、車両の実用機能を取得する。 次に,タスクの遅延や計算資源,無線リソースの制約を受ける車両の実用レベルを最大化するために,タスクのオフロードとリソース割り当てを共同で最適化する。 定式化問題の準最適解を得るために,多エージェントの深層決定性ポリシー勾配(JORA-MADDPG)に基づく共同オフロードと資源配分を提案し,車両の実用レベルを最大化する。 シミュレーションの結果,本アルゴリズムはタスク完了遅延,車両のエネルギーコスト,処理収益において優れた性能が得られることがわかった。

関連論文リスト

• Diffusion-based Auction Mechanism for Efficient Resource Management in 6G-enabled Vehicular Metaverses [57.010829427434516]
  6G対応のVehicular Metaversesでは、車両は物理的車両のデジタルレプリカとして機能するVT(Vine Twins)によって表現される。 VTタスクはリソース集約であり、高速処理のために地上基地局(BS)にオフロードする必要がある。 地上BSとUAV間の資源配分を最適化する学習型修正第2バイド(MSB)オークション機構を提案する。
  論文  参考訳（メタデータ） (2024-11-01T04:34:54Z)
• Computation Pre-Offloading for MEC-Enabled Vehicular Networks via Trajectory Prediction [38.493882483362135]
  本稿では,車両の過去の軌跡を解析するためのトラジェクトリ予測に基づく事前負荷決定アルゴリズムを提案する。 本稿では,Double Deep Q-Network (DDQN) を用いて,エッジサーバがタスク処理遅延を最小限に抑える動的リソース割り当てアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-26T09:46:43Z)
• DRL-Based Federated Self-Supervised Learning for Task Offloading and Resource Allocation in ISAC-Enabled Vehicle Edge Computing [28.47670676456068]
  Vehicle Edge Computing(VEC)は、タスクをRoad Side Unit(RSU)にオフロードすることで、この問題に対処する。 改良されたアルゴリズムは、部分的なタスクをROSにオフロードし、送信電力、CPU周波数、タスク割り当て比率を調整することでエネルギー消費を最適化する。 シミュレーションの結果,拡張アルゴリズムは省エネ,オフロード効率の向上,フェデレートSSLの精度の向上を実現している。
  論文  参考訳（メタデータ） (2024-08-27T07:28:05Z)
• Digital Twin Vehicular Edge Computing Network: Task Offloading and Resource Allocation [14.436364625881183]
  本稿では,タスクオフロードとリソース割り当てに関するマルチエージェント強化学習手法を提案する。 多数の実験により,本手法は他のベンチマークアルゴリズムと比較して有効であることが示された。
  論文  参考訳（メタデータ） (2024-07-16T01:51:32Z)
• Resource Allocation for Twin Maintenance and Computing Task Processing in Digital Twin Vehicular Edge Computing Network [48.15151800771779]
  車両エッジコンピューティング(VEC)は、車両の近くにVECサーバを配置することで、計算キャッシュサービスを提供する。 しかしながら、VECネットワークは、ハイカーモビリティのような課題に直面している。 本研究では,ネットワーク内のツイン処理による2種類の遅延について検討した。
  論文  参考訳（メタデータ） (2024-07-10T12:08:39Z)
• 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)
• Roulette-Wheel Selection-Based PSO Algorithm for Solving the Vehicle Routing Problem with Time Windows [58.891409372784516]
  本稿では,Roulette Wheel Method (RWPSO) を用いた新しいPSO手法を提案する。 RWPSOのSolomon VRPTWベンチマークデータセットを用いた実験は、RWPSOが文学の他の最先端アルゴリズムと競合していることを示している。
  論文  参考訳（メタデータ） (2023-06-04T09:18:02Z)
• Computation Offloading and Resource Allocation in F-RANs: A Federated Deep Reinforcement Learning Approach [67.06539298956854]
  フォグ無線アクセスネットワーク(フォグ無線アクセスネットワーク、F-RAN)は、ユーザのモバイルデバイス(MD)が計算タスクを近くのフォグアクセスポイント(F-AP)にオフロードできる有望な技術である。
  論文  参考訳（メタデータ） (2022-06-13T02:19:20Z)
• Learning Based Task Offloading in Digital Twin Empowered Internet of Vehicles [22.088412340577896]
  インターネット・オブ・ビークルのためのタスク・オフロード・フレームワークとしてDigital Twin (DT)を提案する。 クラウドに居住するソフトウェアエージェントとして、DT間の通信を用いて、DTは両方のグローバルネットワーク情報を得ることができる。 本稿では,アルゴリズムが最適オフロード戦略を効果的に発見できることを示すとともに,高速収束と高性能化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-12-28T08:24:56Z)
• Deep Reinforcement Learning for Delay-Oriented IoT Task Scheduling in Space-Air-Ground Integrated Network [24.022108191145527]
  宇宙空間統合ネットワーク(SAGIN)における遅延指向モノのインターネット(IoT)サービスにおけるタスクスケジューリング問題について検討する。 検討されたシナリオでは、無人航空機(UAV)がIoTデバイスからコンピューティングタスクを収集し、オンラインのオフロード決定を行う。 我々の目的は、UAVエネルギー容量の制約により、タスクのオフロードと計算遅延を最小限に抑えるタスクスケジューリングポリシーを設計することである。
  論文  参考訳（メタデータ） (2020-10-04T02:58:03Z)
• A Machine Learning Approach for Task and Resource Allocation in Mobile Edge Computing Based Networks [108.57859531628264]
  無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。 提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
  論文  参考訳（メタデータ） (2020-07-20T13:46:42Z)

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。