論文の概要: Energy Efficient Edge Computing: When Lyapunov Meets Distributed Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2103.16985v1
• Date: Wed, 31 Mar 2021 11:02:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-01 14:43:00.410978
• Title: Energy Efficient Edge Computing: When Lyapunov Meets Distributed Reinforcement Learning
• Title（参考訳）: エネルギー効率のよいエッジコンピューティング: lyapunov氏が分散強化学習に出会う
• Authors: Mohamed Sana, Mattia Merluzzi, Nicola di Pietro, Emilio Calvanese Strinati
• Abstract要約: 本研究では,エッジコンピューティングによるエネルギー効率のよいオフロード問題について検討する。 考慮されたシナリオでは、複数のユーザが同時に無線およびエッジコンピューティングリソースを競う。 提案されたソリューションは、ベンチマークアプローチと比較してネットワークのエネルギー効率を高めることもできます。
• 参考スコア（独自算出の注目度）: 12.845204986571053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we study the problem of energy-efficient computation offloading enabled by edge computing. In the considered scenario, multiple users simultaneously compete for limited radio and edge computing resources to get offloaded tasks processed under a delay constraint, with the possibility of exploiting low power sleep modes at all network nodes. The radio resource allocation takes into account inter- and intra-cell interference, and the duty cycles of the radio and computing equipment have to be jointly optimized to minimize the overall energy consumption. To address this issue, we formulate the underlying problem as a dynamic long-term optimization. Then, based on Lyapunov stochastic optimization tools, we decouple the formulated problem into a CPU scheduling problem and a radio resource allocation problem to be solved in a per-slot basis. Whereas the first one can be optimally and efficiently solved using a fast iterative algorithm, the second one is solved using distributed multi-agent reinforcement learning due to its non-convexity and NP-hardness. The resulting framework achieves up to 96.5% performance of the optimal strategy based on exhaustive search, while drastically reducing complexity. The proposed solution also allows to increase the network's energy efficiency compared to a benchmark heuristic approach.
• Abstract（参考訳）: 本研究では,エッジコンピューティングによって実現されるエネルギー効率の高い計算オフロードの問題について検討する。 検討されたシナリオでは、複数のユーザが、遅延制約の下で処理されたタスクをオフロードするために、限られた無線およびエッジコンピューティングリソースを同時に競合する。 無線資源の割り当ては細胞間および細胞内干渉を考慮し、無線および計算機器のデューティサイクルは、全体のエネルギー消費を最小化するために共同で最適化する必要がある。 この問題に対処するために,我々は基礎となる問題を動的長期最適化として定式化する。 そこで, Lyapunov 確率最適化ツールをベースとして, 定式化問題をCPUスケジューリング問題と無線リソース割り当て問題に分離し, スロット単位で解決する。 第1のアルゴリズムは高速反復アルゴリズムを用いて最適かつ効率的に解けるが、第2のアルゴリズムはその非凸性とNP硬さのために分散マルチエージェント強化学習を用いて解かれる。 結果として得られたフレームワークは、徹底的な検索に基づく最適戦略の96.5%のパフォーマンスを達成し、複雑さを劇的に低減する。 提案手法は、ベンチマークヒューリスティックアプローチと比較してネットワークのエネルギー効率を向上させることもできる。

関連論文リスト

• 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)
• Lower Bounds and Optimal Algorithms for Non-Smooth Convex Decentralized Optimization over Time-Varying Networks [57.24087627267086]
  通信ネットワークのノード間で分散的に格納された凸関数の総和を最小化するタスクについて検討する。 この問題を解決するのに必要な分散通信数と(サブ)漸進計算の下位境界が確立されている。 我々は,これらの下界に適合する最初の最適アルゴリズムを開発し,既存の最先端技術と比較して理論性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-05-28T10:28:45Z)
• Learning Non-myopic Power Allocation in Constrained Scenarios [42.63629364161481]
  エピソード制約下でのアドホック干渉ネットワークにおける効率的な電力配分のための学習ベースフレームワークを提案する。 我々はアクター・クリティカルなアルゴリズムを用いて各ステップにおける制約・アウェア・パワー・アロケーションを得る。
  論文  参考訳（メタデータ） (2024-01-18T04:44:34Z)
• 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)
• Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
  通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。 我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。 我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
  論文  参考訳（メタデータ） (2021-06-08T15:54:44Z)
• Threshold-Based Data Exclusion Approach for Energy-Efficient Federated Edge Learning [4.25234252803357]
  Federated Edge Learning (FEEL) は次世代無線ネットワークにおいて有望な分散学習技術である。 FEELは、モデルトレーニングラウンド中に消費される電力により、エネルギー制約された参加機器の寿命を大幅に短縮する可能性がある。 本稿では,FEELラウンドにおける計算および通信エネルギー消費を最小化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T13:34:40Z)
• 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)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Energy Minimization in UAV-Aided Networks: Actor-Critic Learning for Constrained Scheduling Optimization [30.742052801257998]
  無人航空機 (UAV) の応用においては、UAVの限られたエネルギー供給と貯蔵がインテリジェントなエネルギー保存ソリューションの開発を引き起こしている。 本稿では,データ転送スケジューリングホバリング時間を最適化するエネルギーDSOSソリューションについて検討する。
  論文  参考訳（メタデータ） (2020-06-24T10:44:28Z)
• Sparse Optimization for Green Edge AI Inference [28.048770388766716]
  エネルギー効率の良いエッジAI推論を実現するために,共同推論タスク選択とダウンリンクビームフォーミング戦略を提案する。 タスク選択の集合とグループ間隔送信ビームフォーミングベクトルとの固有の接続を利用して、グループスパースビームフォーミング問題として最適化を再構成する。 我々は,グローバル収束解析を確立し,このアルゴリズムのエルゴード最悪の収束率を提供する。
  論文  参考訳（メタデータ） (2020-02-24T05:21:58Z)

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。