論文の概要: Look-Ahead Task Offloading for Multi-User Mobile Augmented Reality in
Edge-Cloud Computing
- arxiv url: http://arxiv.org/abs/2305.19558v1
- Date: Wed, 31 May 2023 05:03:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 18:28:37.713317
- Title: Look-Ahead Task Offloading for Multi-User Mobile Augmented Reality in
Edge-Cloud Computing
- Title(参考訳): エッジクラウドコンピューティングにおけるマルチユーザモバイル拡張現実のためのルックアヘッドタスクオフロード
- Authors: Ruxiao Chen, Shuaishuai Guo
- Abstract要約: エッジクラウドコンピューティングネットワークにおいて,サービス指向タスクオフロード方式の設計と評価を行う。
実験結果から,マルチユーザMARサービス提供時のサービス品質(QoS)を効果的に向上できることが示された。
- 参考スコア(独自算出の注目度): 12.508296573936814
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mobile augmented reality (MAR) blends a real scenario with overlaid virtual
content, which has been envisioned as one of the ubiquitous interfaces to the
Metaverse. Due to the limited computing power and battery life of MAR devices,
it is common to offload the computation tasks to edge or cloud servers in close
proximity. However, existing offloading solutions developed for MAR tasks
suffer from high migration overhead, poor scalability, and short-sightedness
when applied in provisioning multi-user MAR services. To address these issues,
a MAR service-oriented task offloading scheme is designed and evaluated in
edge-cloud computing networks. Specifically, the task interdependency of MAR
applications is firstly analyzed and modeled by using directed acyclic graphs.
Then, we propose a look-ahead offloading scheme based on a modified Monte Carlo
tree (MMCT) search, which can run several multi-step executions in advance to
get an estimate of the long-term effect of immediate action. Experiment results
show that the proposed offloading scheme can effectively improve the quality of
service (QoS) in provisioning multi-user MAR services, compared to four
benchmark schemes. Furthermore, it is also shown that the proposed solution is
stable and suitable for applications in a highly volatile environment.
- Abstract(参考訳): モバイル拡張現実(MAR)は,Metaverseのユビキタスインターフェースのひとつとして想定されている,オーバーレイな仮想コンテンツと実際のシナリオをブレンドする。
MARデバイスの計算能力とバッテリ寿命が限られているため、計算タスクをエッジサーバやクラウドサーバに近接してオフロードすることが一般的である。
しかしながら、marタスク用に開発された既存のオフローディングソリューションは、マイグレーションオーバーヘッドの増大、スケーラビリティの低下、マルチユーザmarサービスのプロビジョニングに適用される際の近視性に苦しむ。
これらの問題に対処するため、エッジクラウドコンピューティングネットワークにおいて、MARサービス指向タスクオフロードスキームを設計、評価する。
具体的には、marアプリケーションのタスク相互依存性をまず分析し、有向非巡回グラフを用いてモデル化する。
そこで本研究では,モンテカルロ木(mmct)探索を改良したルックアヘッドオフロード方式を提案する。
実験の結果,提案手法は4つのベンチマーク方式と比較して,マルチユーザmarサービスのプロビジョニングにおいてqos(quality of service)を効果的に改善できることがわかった。
また, 提案手法は安定であり, 高い揮発性環境下での応用に適していることを示す。
関連論文リスト
- HRVMamba: High-Resolution Visual State Space Model for Dense Prediction [60.80423207808076]
効率的なハードウェアを意識した設計のステートスペースモデル(SSM)は、コンピュータビジョンタスクにおいて大きな可能性を証明している。
これらのモデルは、誘導バイアスの不足、長距離の忘れ、低解像度の出力表現の3つの主要な課題によって制約されている。
本稿では, 変形可能な畳み込みを利用して, 長距離忘れ問題を緩和する動的ビジュアル状態空間(DVSS)ブロックを提案する。
また,DVSSブロックに基づく高分解能視覚空間モデル(HRVMamba)を導入し,プロセス全体を通して高分解能表現を保存する。
論文 参考訳(メタデータ) (2024-10-04T06:19:29Z) - 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) - Multi-objective Deep Reinforcement Learning for Mobile Edge Computing [11.966938107719903]
モバイルエッジコンピューティング(MEC)は、遅延やエネルギー消費など、さまざまなパフォーマンス指標を優先する次世代のモバイルネットワークアプリケーションに不可欠である。
本研究では,複数のエッジを持つMECにおいて,長期エネルギー消費と送信遅延を最小限に抑えるために,多目的オフロード問題を定式化する。
我々は,MECシステムにおいて,複数のエッジの機能を構築するためのよく設計された状態符号化手法を導入し,遅延とエネルギー消費のユーティリティを正確に計算する洗練された報酬関数を提案する。
論文 参考訳(メタデータ) (2023-07-05T16:36:42Z) - LEAF + AIO: Edge-Assisted Energy-Aware Object Detection for Mobile
Augmented Reality [77.00418462388525]
モバイル拡張現実(MAR)アプリケーションは非常にエネルギーを消費する。
我々は、MARデバイスが動的に構成を変更することができるエッジベースのエネルギー対応MARシステムを設計する。
提案した動的MAR構成適応は、複数のMARクライアントのフレーム当たりのエネルギー消費を最小限に抑えることができる。
論文 参考訳(メタデータ) (2022-05-27T06:11:50Z) - 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) - MCDS: AI Augmented Workflow Scheduling in Mobile Edge Cloud Computing
Systems [12.215537834860699]
近年,エッジコンピューティングプラットフォームの低応答時間を利用してアプリケーション品質・オブ・サービス(QoS)を最適化するスケジューリング手法が提案されている。
本稿では,Deep Surrogate Models を用いたモンテカルロ学習を用いて,モバイルエッジクラウドコンピューティングシステムにおけるワークフローアプリケーションを効率的にスケジューリングする手法を提案する。
論文 参考訳(メタデータ) (2021-12-14T10:00:01Z) - Collaborative Visual Navigation [69.20264563368762]
マルチエージェント視覚ナビゲーション(MAVN)のための大規模3次元データセットCollaVNを提案する。
様々なMAVN変種を探索し、この問題をより一般化する。
メモリ拡張通信フレームワークを提案する。各エージェントには、通信情報を永続的に保存するプライベートな外部メモリが備わっている。
論文 参考訳(メタデータ) (2021-07-02T15:48:16Z) - Online Service Migration in Edge Computing with Incomplete Information:
A Deep Recurrent Actor-Critic Method [18.891775769665102]
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。
論文 参考訳(メタデータ) (2020-12-16T00:16:24Z)
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。