論文の概要: Reinforcement Learning Framework for Server Placement and Workload
Allocation in Multi-Access Edge Computing
- arxiv url: http://arxiv.org/abs/2203.07998v1
- Date: Mon, 21 Feb 2022 03:04:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-21 01:02:30.303559
- Title: Reinforcement Learning Framework for Server Placement and Workload
Allocation in Multi-Access Edge Computing
- Title（参考訳）: マルチアクセスエッジコンピューティングにおけるサーバ配置とワークロード割り当てのための強化学習フレームワーク
- Authors: Anahita Mazloomi, Hani Sami, Jamal Bentahar, Hadi Otrok, Azzam Mourad
- Abstract要約: 本稿では,最小コストでMEC設計を実現するために,ネットワーク遅延とエッジサーバ数の両方を最小化する問題に対処する。
本稿では,この問題を解決するためのマルコフ決定プロセス(MDP)の設計において,状態空間,行動空間,ペナルティ関数の効率的な表現とモデル化を行う新しいRLフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 9.598394554018164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cloud computing is a reliable solution to provide distributed computation
power. However, real-time response is still challenging regarding the enormous
amount of data generated by the IoT devices in 5G and 6G networks. Thus,
multi-access edge computing (MEC), which consists of distributing the edge
servers in the proximity of end-users to have low latency besides the higher
processing power, is increasingly becoming a vital factor for the success of
modern applications. This paper addresses the problem of minimizing both, the
network delay, which is the main objective of MEC, and the number of edge
servers to provide a MEC design with minimum cost. This MEC design consists of
edge servers placement and base stations allocation, which makes it a joint
combinatorial optimization problem (COP). Recently, reinforcement learning (RL)
has shown promising results for COPs. However, modeling real-world problems
using RL when the state and action spaces are large still needs investigation.
We propose a novel RL framework with an efficient representation and modeling
of the state space, action space and the penalty function in the design of the
underlying Markov Decision Process (MDP) for solving our problem.
- Abstract（参考訳）: クラウドコンピューティングは分散計算能力を提供するための信頼できるソリューションである。
しかし、IoTデバイスが5Gと6Gネットワークで生成する膨大な量のデータに対して、リアルタイムの応答は依然として難しい。
このように、エッジサーバをエンドユーザー近辺に分散して低レイテンシにするマルチアクセスエッジコンピューティング(MEC)は、処理能力の向上に加えて、現代アプリケーションの成功に欠かせない要素になりつつある。
本稿では,MECの主目的であるネットワーク遅延の最小化と,MEC設計を最小限のコストで提供するエッジサーバの数に対処する。
このMEC設計はエッジサーバ配置と基地局割り当てで構成されており、共同組合せ最適化問題(COP)となっている。
近年,強化学習(RL)はCOPに有望な結果を示した。
しかし、状態空間と行動空間が大きい場合、RLを用いた実世界の問題をモデル化するには依然として調査が必要である。
本稿では,この問題を解決するためのマルコフ決定プロセス(MDP)の設計において,状態空間,行動空間,ペナルティ関数の効率的な表現とモデル化を行う新しいRLフレームワークを提案する。
関連論文リスト
- Beyond the Edge: An Advanced Exploration of Reinforcement Learning for Mobile Edge Computing, its Applications, and Future Research Trajectories [13.08054996040995]
Mobile Edge Computing (MEC)は、中央ネットワークを超えて計算とストレージの範囲を広げる。
リアルタイムで高品質なサービスを必要とするアプリケーションの出現は、低レイテンシ、高いデータレート、信頼性、効率、セキュリティなど、いくつかの課題をもたらしている。
本稿では,これらの問題を緩和する特定のRL手法を提案し,その実践的応用について考察する。
論文 参考訳（メタデータ） (2024-04-22T14:47:42Z) - dRG-MEC: Decentralized Reinforced Green Offloading for MEC-enabled Cloud
Network [0.7645708712865565]
本稿では,共同計算オフロードによる資源利用を最適化するために,総計算量と通信オーバーヘッドを最小化する手法を提案する。
ベースライン方式と比較して,本手法はシステム全体のコストを37.03%削減する。
論文 参考訳（メタデータ） (2024-01-10T17:21:20Z) - 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) - 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) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳（メタデータ） (2022-03-26T20:37:14Z) - 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) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - 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) - Latency-Memory Optimized Splitting of Convolution Neural Networks for
Resource Constrained Edge Devices [1.6873748786804317]
我々は、エッジデバイスとクラウド間でCNNを実行することは、リソース制約のある最適化問題を解決することと同義であると主張している。
実世界のエッジデバイスでの実験では、LMOSはエッジで異なるCNNモデルの実行可能な実行を保証する。
論文 参考訳（メタデータ） (2021-07-19T19:39:56Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - Edge Intelligence for Energy-efficient Computation Offloading and
Resource Allocation in 5G Beyond [7.953533529450216]
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。
論文 参考訳（メタデータ） (2020-11-17T05:51:03Z)
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。