論文の概要: Online Service Migration in Edge Computing with Incomplete Information: A Deep Recurrent Actor-Critic Method

• arxiv url: http://arxiv.org/abs/2012.08679v3
• Date: Sun, 11 Apr 2021 10:53:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 02:44:09.533692
• Title: Online Service Migration in Edge Computing with Incomplete Information: A Deep Recurrent Actor-Critic Method
• Title（参考訳）: 不完全な情報を含むエッジコンピューティングにおけるオンラインサービス移行: アクター-批判的手法
• Authors: Jin Wang, Jia Hu, and Geyong Min
• Abstract要約: マルチアクセスエッジコンピューティング(MEC)は、クラウドコンピューティングをネットワークエッジに拡張する新興コンピューティングパラダイムである。 サービス移行には,qos(quality-of-service)を維持するためのユーザサービスの移行場所を決定する必要がある 本稿では,ユーザ中心で効果的なオンライン移行決定が可能な,新たな学習駆動型手法である深層反復型アクタクリティックベースサービスマイグレーション(dracm)を提案する。
• 参考スコア（独自算出の注目度）: 18.891775769665102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-access Edge Computing (MEC) is an emerging computing paradigm that extends cloud computing to the network edge (e.g., base stations, MEC servers) to support resource-intensive applications on mobile devices. As a crucial problem in MEC, service migration needs to decide where to migrate user services for maintaining high Quality-of-Service (QoS), when users roam between MEC servers with limited coverage and capacity. However, finding an optimal migration policy is intractable due to the highly dynamic MEC environment and user mobility. Many existing works make centralized migration decisions based on complete system-level information, which can be time-consuming and suffer from the scalability issue with the rapidly increasing number of mobile users. To address these challenges, we propose a new learning-driven method, namely Deep Recurrent Actor-Critic based service Migration (DRACM), which is user-centric and can make effective online migration decisions given incomplete system-level information. Specifically, the service migration problem is modeled as a Partially Observable Markov Decision Process (POMDP). To solve the POMDP, we design an encoder network that combines a Long Short-Term Memory (LSTM) and an embedding matrix for effective extraction of hidden information. We then propose a tailored off-policy actor-critic algorithm with a clipped surrogate objective for efficient training. Results from extensive experiments based on real-world mobility traces demonstrate that our method consistently outperforms both the heuristic and state-of-the-art learning-driven algorithms, and achieves near-optimal results on various MEC scenarios.
• Abstract（参考訳）: マルチアクセスエッジコンピューティング(Multi- Access Edge Computing、MEC)は、クラウドコンピューティングをネットワークエッジ(例えば基地局、MECサーバ)に拡張し、モバイルデバイス上のリソース集約アプリケーションをサポートする、新興コンピューティングパラダイムである。 MECにおける重要な問題として、サービス移行は、ユーザがカバー範囲とキャパシティに制限されたMECサーバ間を移動する際に、高品質サービス(QoS)を維持するために、ユーザサービスをどこに移行するかを決定する必要がある。 しかし、高度に動的なMEC環境とユーザモビリティのため、最適なマイグレーションポリシーを見つけることは困難である。 既存の多くの作業では,完全なシステムレベルの情報に基づいて集中的なマイグレーション決定を行っている。 これらの課題に対処するために,我々は,ユーザ中心であり,システムレベルの不完全な情報に基づいて効果的なオンライン移行決定を行うことのできる,新たな学習駆動手法,すなわち深層反復型アクタ-クリティックベースのサービスマイグレーション(dracm)を提案する。 具体的には、サービス移行問題は、部分的に観測可能なマルコフ決定プロセス(POMDP)としてモデル化される。 POMDP を解決するために,Long Short-Term Memory (LSTM) と埋め込み行列を組み合わせたエンコーダネットワークを設計し,隠れた情報を効果的に抽出する。 そこで我々は,効率的なトレーニングを行うために,クリッピングされた代理目的の非政治アクター批判アルゴリズムを提案する。 実世界のモビリティトレースに基づく広範な実験の結果,本手法はヒューリスティックと最先端の学習駆動アルゴリズムを一貫して上回っており,様々なmecシナリオにおいて最適に近い結果が得られることがわかった。

関連論文リスト

• Federated Prompt-based Decision Transformer for Customized VR Services in Mobile Edge Computing System [9.269074750399657]
  まず、ユーザエクスペリエンスを測定するためのQoE(Quality of Experience)メトリクスを紹介します。 そして、リソース割り当てのためにQoE問題を定式化し、最高のユーザエクスペリエンスを確保する。 本稿では,共通モデルの事前学習を行うために,フェデレートラーニング(FL)とプロンプトベースシーケンスモデリングを利用するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-15T05:56:35Z)
• Edge computing service deployment and task offloading based on multi-task high-dimensional multi-objective optimization [5.64850919046892]
  本研究では,マルチユーザ環境におけるサービス展開とタスクオフロードの課題について検討する。 レイテンシ、エネルギー消費、コストを考慮せずに安定したサービス提供を確保するために、ネットワークの信頼性も組み込まれている。 エッジサーバの適切な使用を促進するため、第4のタスクオフロード目的としてロードバランシングを導入している。
  論文  参考訳（メタデータ） (2023-12-07T07:30:47Z)
• Age-Based Scheduling for Mobile Edge Computing: A Deep Reinforcement Learning Approach [58.911515417156174]
  我々は情報時代(AoI)の新たな定義を提案し、再定義されたAoIに基づいて、MECシステムにおけるオンラインAoI問題を定式化する。 本稿では,システム力学の部分的知識を活用するために,PDS(Post-Decision State)を導入する。 また、PSDと深いRLを組み合わせることで、アルゴリズムの適用性、スケーラビリティ、堅牢性をさらに向上します。
  論文  参考訳（メタデータ） (2023-12-01T01:30:49Z)
• Task Graph offloading via Deep Reinforcement Learning in Mobile Edge Computing [6.872434270841794]
  本稿では,エッジコンピューティングデバイスの時間変化を考慮したMECにおけるタスクグラフのオフロードについて検討する。 環境変化に対応するために,計算オフロードのためのタスクグラフスケジューリングをマルコフ決定プロセスとしてモデル化する。 そこで我々は,環境とのインタラクションからタスクスケジューリング戦略を学習するために,深層強化学習アルゴリズム(SATA-DRL)を設計する。
  論文  参考訳（メタデータ） (2023-09-19T12:26:56Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Reinforcement Learning-Empowered Mobile Edge Computing for 6G Edge Intelligence [76.96698721128406]
  モバイルエッジコンピューティング(MEC)は、第5世代(5G)ネットワークなどにおける計算と遅延に敏感なタスクのための新しいパラダイムであると考えた。 本稿では、フリー対応RLに関する総合的な研究レビューと、開発のための洞察を提供する。
  論文  参考訳（メタデータ） (2022-01-27T10:02:54Z)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)
• Toward Multiple Federated Learning Services Resource Sharing in Mobile Edge Networks [88.15736037284408]
  本稿では,マルチアクセスエッジコンピューティングサーバにおいて,複数のフェデレーション付き学習サービスの新たなモデルについて検討する。 共同資源最適化とハイパーラーニング率制御の問題,すなわちMS-FEDLを提案する。 シミュレーションの結果,提案アルゴリズムの収束性能を実証した。
  論文  参考訳（メタデータ） (2020-11-25T01:29:41Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)
• Fast Adaptive Task Offloading in Edge Computing based on Meta Reinforcement Learning [44.81038225683222]
  マルチアクセスエッジコンピューティング(MEC)は、クラウドサービスをネットワークエッジに拡張して、ネットワークトラフィックとサービスレイテンシを低減することを目的としている。 MECの基本的な問題は、モバイルアプリケーションの異種タスクをユーザ機器(UE)からMECホストに効率的にオフロードする方法である。 本稿では,メタ強化学習に基づくタスクオフロード手法を提案する。
  論文  参考訳（メタデータ） (2020-08-05T10:16:25Z)

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。