論文の概要: Edge Intelligence for Energy-efficient Computation Offloading and
Resource Allocation in 5G Beyond
- arxiv url: http://arxiv.org/abs/2011.08442v2
- Date: Wed, 18 Nov 2020 02:48:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 17:40:27.655386
- Title: Edge Intelligence for Energy-efficient Computation Offloading and
Resource Allocation in 5G Beyond
- Title（参考訳）: エネルギー効率向上のためのエッジインテリジェンスと5G以上の資源配分
- Authors: Yueyue Dai, Ke Zhang, Sabita Maharjan, and Yan Zhang
- Abstract要約: さらに5Gは、エッジデバイス、エッジサーバ、クラウドの異種機能を活用可能な、エッジクラウドオーケストレーションネットワークである。
マルチユーザ無線ネットワークでは、多様なアプリケーション要件とデバイス間の通信のための様々な無線アクセスモードの可能性により、最適な計算オフロード方式の設計が困難になる。
深層強化学習(Dep Reinforcement Learning, DRL)は、そのような問題に限定的で精度の低いネットワーク情報で対処する新興技術である。
- 参考スコア（独自算出の注目度）: 7.953533529450216
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 5G beyond is an end-edge-cloud orchestrated network that can exploit
heterogeneous capabilities of the end devices, edge servers, and the cloud and
thus has the potential to enable computation-intensive and delay-sensitive
applications via computation offloading. However, in multi user wireless
networks, diverse application requirements and the possibility of various radio
access modes for communication among devices make it challenging to design an
optimal computation offloading scheme. In addition, having access to complete
network information that includes variables such as wireless channel state, and
available bandwidth and computation resources, is a major issue. Deep
Reinforcement Learning (DRL) is an emerging technique to address such an issue
with limited and less accurate network information. In this paper, we utilize
DRL to design an optimal computation offloading and resource allocation
strategy for minimizing system energy consumption. We first present a
multi-user end-edge-cloud orchestrated network where all devices and base
stations have computation capabilities. Then, we formulate the joint
computation offloading and resource allocation problem as a Markov Decision
Process (MDP) and propose a new DRL algorithm to minimize system energy
consumption. Numerical results based on a real-world dataset demonstrate that
the proposed DRL-based algorithm significantly outperforms the benchmark
policies in terms of system energy consumption. Extensive simulations show that
learning rate, discount factor, and number of devices have considerable
influence on the performance of the proposed algorithm.
- Abstract（参考訳）: このネットワークは、エンドデバイス、エッジサーバ、クラウドの異種機能を活用でき、計算のオフロードを通じて計算集約的で遅延に敏感なアプリケーションを可能にする可能性がある。
しかし、マルチユーザ無線ネットワークでは、多様なアプリケーション要件とデバイス間の通信のための様々な無線アクセスモードの可能性により、最適な計算オフロード方式の設計が困難となる。
さらに、無線チャネル状態や利用可能な帯域幅や計算リソースなどの変数を含む完全なネットワーク情報へのアクセスも大きな問題である。
深層強化学習(Dep Reinforcement Learning, DRL)は、そのような問題に限定的で精度の低いネットワーク情報で対処する新興技術である。
本稿では,DRLを用いて,システムエネルギー消費を最小化するための最適計算オフロードと資源配分戦略を設計する。
まず、すべてのデバイスと基地局が計算能力を持つマルチユーザエッジクラウドオーケストレーションネットワークを提案する。
次に,マルコフ決定過程(MDP)として計算オフロードと資源配分問題を定式化し,システムエネルギー消費を最小化する新しいDRLアルゴリズムを提案する。
実世界のデータセットに基づく数値計算の結果、DRLに基づく提案アルゴリズムはシステムエネルギー消費の点でベンチマークポリシーを著しく上回っていることが示された。
広範なシミュレーションにより,学習率,割引率,デバイス数などが提案アルゴリズムの性能に大きく影響することが示された。
関連論文リスト
- Computation Rate Maximization for Wireless Powered Edge Computing With Multi-User Cooperation [10.268239987867453]
本研究では,コンピュータユニットとIoT(Internet of Things)デバイスを備えたハイブリッドアクセスポイントを備えた,無線通信によるモバイルエッジコンピューティングシステムについて考察する。
本稿では,協調クラスタを動的に形成する計算性能を改善するための,新しいマルチユーザ協調方式を提案する。
具体的には、ネットワーク内のすべてのIoTデバイスの重み付け和計算率(WSCR)を最大化する。
論文 参考訳（メタデータ） (2024-01-22T05:22:19Z) - Slimmable Encoders for Flexible Split DNNs in Bandwidth and Resource
Constrained IoT Systems [12.427821850039448]
本稿では,スリム化可能なアンサンブルエンコーダに基づく分割計算手法を提案する。
私たちの設計の主な利点は、計算負荷と送信データサイズを最小限のオーバーヘッドと時間でリアルタイムで適応できることです。
本モデルでは,圧縮効率や実行時間,特にモバイルデバイスの弱い状況において,既存のソリューションよりも優れています。
論文 参考訳（メタデータ） (2023-06-22T06:33:12Z) - 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) - Pervasive Machine Learning for Smart Radio Environments Enabled by
Reconfigurable Intelligent Surfaces [56.35676570414731]
Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。
RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。
このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
論文 参考訳（メタデータ） (2022-05-08T06:21:33Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Deep Reinforcement Learning Based Mobile Edge Computing for Intelligent
Internet of Things [10.157016543999045]
我々は、深層強化学習アルゴリズムを用いて、オフロード戦略をインテリジェントに提案することで、システムを考案する。
ディープQネットワークは、システムパフォーマンスを最適化するために、オフロードの決定を自動的に学習するために使用される。
ニューラルネットワーク(NN)は、環境システムからトレーニングデータが生成されるオフロード動作を予測するために訓練される。
特に、提案した深部強化学習に基づくアルゴリズムにより、レイテンシとエネルギー消費のシステムコストを大幅に削減することができる。
論文 参考訳（メタデータ） (2020-08-01T11:45:54Z) - Learning Centric Power Allocation for Edge Intelligence [84.16832516799289]
分散データを収集し、エッジで機械学習を実行するエッジインテリジェンスが提案されている。
本稿では,経験的分類誤差モデルに基づいて無線リソースを割り当てるLCPA法を提案する。
実験の結果,提案したLCPAアルゴリズムは,他のパワーアロケーションアルゴリズムよりも有意に優れていた。
論文 参考訳（メタデータ） (2020-07-21T07:02:07Z) - 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) - Multi-agent Reinforcement Learning for Resource Allocation in IoT
networks with Edge Computing [16.129649374251088]
エンドユーザーが計算をオフロードするのは、スペクトルとリソースに対する大きな要求のためである。
本稿では,IoTエッジコンピューティングネットワークにおけるリソース割り当てを伴うオフロード機構をゲームとして定式化することによって検討する。
論文 参考訳（メタデータ） (2020-04-05T20:59:20Z)
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。