論文の概要: Computation Offloading for Multi-server Multi-access Edge Vehicular Networks: A DDQN-based Method
- arxiv url: http://arxiv.org/abs/2404.07215v1
- Date: Wed, 21 Feb 2024 04:41:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 11:58:46.140737
- Title: Computation Offloading for Multi-server Multi-access Edge Vehicular Networks: A DDQN-based Method
- Title（参考訳）: DDQNに基づくマルチサーバマルチアクセスエッジベクトルネットワークの計算オフロード
- Authors: Siyu Wang, Bo Yang, Zhiwen Yu, Xuelin Cao, Yan Zhang, Chau Yuen,
- Abstract要約: 元の問題を,オフロード決定段階と要求スケジューリング段階の2つの段階に分ける。
本稿では、最適なオフロードサーバを選択するために、モビリティパラメータとサーバ負荷の両方に基づくサーバ評価機構を導入する。
サーバリソースをフル活用するために,Double Deep Q-network(DDQN)ベースの報酬評価アルゴリズムを設計する。
- 参考スコア（独自算出の注目度）: 24.929044360625685
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we investigate a multi-user offloading problem in the overlapping domain of a multi-server mobile edge computing system. We divide the original problem into two stages: the offloading decision making stage and the request scheduling stage. To prevent the terminal from going out of service area during offloading, we consider the mobility parameter of the terminal according to the human behaviour model when making the offloading decision, and then introduce a server evaluation mechanism based on both the mobility parameter and the server load to select the optimal offloading server. In order to fully utilise the server resources, we design a double deep Q-network (DDQN)-based reward evaluation algorithm that considers the priority of tasks when scheduling offload requests. Finally, numerical simulations are conducted to verify that our proposed method outperforms traditional mathematical computation methods as well as the DQN algorithm.
- Abstract（参考訳）: 本稿では,マルチサーバモバイルエッジコンピューティングシステムの重複領域におけるマルチユーザオフロード問題について検討する。
元の問題を,オフロード決定段階と要求スケジューリング段階の2つの段階に分ける。
オフロード中、端末がサービスエリアから外れないようにするため、オフロード決定を行う際、人間の行動モデルに従って端末のモビリティパラメータを考慮し、モビリティパラメータとサーバ負荷の両方に基づいてサーバ評価機構を導入し、最適なオフロードサーバを選択する。
サーバリソースをフル活用するために,オフロード要求をスケジューリングするタスクの優先度を考慮したDDQNベースの報酬評価アルゴリズムを設計する。
最後に,提案手法が従来の数理計算法やDQNアルゴリズムよりも優れていることを示す数値シミュレーションを行った。
関連論文リスト
- Dynamic Partial Computation Offloading for the Metaverse in In-Network
Computing [1.1124588036301817]
我々はCOIN環境における複数のサブタスクに対するメタバースにおける部分計算のオフロード問題を考察する。
我々はこれを,ユーザ側のタスク分割問題(TSP)と,COIN側のタスクオフロード問題(TOP)の2つのサブプロブレムに変換する。
知的エージェントが特定の確率でランダムにオフロード決定をサンプリングする従来のDDQNアルゴリズムとは異なり、COINエージェントはTSPとディープニューラルネットワークのNEを探索する。
論文 参考訳（メタデータ） (2023-06-09T16:41:34Z) - Differentially Private Deep Q-Learning for Pattern Privacy Preservation
in MEC Offloading [76.0572817182483]
攻撃者は、エッジサーバ(ES)のキュー情報とユーザの使用パターンを推測するために、オフロードの決定を盗み取ることができる。
パターンプライバシ(PP)を維持しつつ,レイテンシ,ESのエネルギー消費,タスク削減率を両立させるオフロード戦略を提案する。
そこで我々はDP-DQOアルゴリズムを開発し,PP問題にノイズを注入することでこの問題に対処する。
論文 参考訳（メタデータ） (2023-02-09T12:50:18Z) - Dynamic Split Computing for Efficient Deep Edge Intelligence [78.4233915447056]
通信チャネルの状態に基づいて最適な分割位置を動的に選択する動的分割計算を導入する。
本研究では,データレートとサーバ負荷が時間とともに変化するエッジコンピューティング環境において,動的スプリットコンピューティングが高速な推論を実現することを示す。
論文 参考訳（メタデータ） (2022-05-23T12:35:18Z) - Decentralized Task Offloading in Edge Computing: A Multi-User
Multi-Armed Bandit Approach [29.211635895407753]
未知のシステム側情報を考慮したマルチユーザオフロードフレームワークを開発した。
具体的には、動的タスク配置をオンラインマルチユーザーマルチアームバンディットプロセスとして定式化する。
我々は,DEBOが最適なユーザサーバ割り当てを導出できることを示す。
論文 参考訳（メタデータ） (2021-12-22T11:51:37Z) - Learning from Images: Proactive Caching with Parallel Convolutional
Neural Networks [94.85780721466816]
本稿では,プロアクティブキャッシングのための新しいフレームワークを提案する。
モデルベースの最適化とデータ駆動技術を組み合わせて、最適化問題をグレースケールのイメージに変換する。
数値計算の結果,提案手法は71.6%の計算時間を0.8%のコストで削減できることがわかった。
論文 参考訳（メタデータ） (2021-08-15T21:32:47Z) - Caching Placement and Resource Allocation for Cache-Enabling UAV NOMA
Networks [87.6031308969681]
本稿では,非直交多重アクセス(NOMA)をサポートした大規模アクセス機能を有する無人航空機(UAV)セルネットワークについて検討する。
コンテンツ配信遅延最小化のための長期キャッシュ配置と資源配分最適化問題をマルコフ決定プロセス(MDP)として定式化する。
そこで我々は,UAVがemphsoft $varepsilon$-greedy戦略を用いて行動の学習と選択を行い,行動と状態の最適な一致を探索する,Qラーニングに基づくキャッシュ配置とリソース割り当てアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-12T08:33:51Z) - 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) - Computation Offloading in Multi-Access Edge Computing Networks: A
Multi-Task Learning Approach [7.203439085947118]
マルチアクセスエッジコンピューティング(MEC)は、いくつかのタスクをMECサーバ(MES)に統合された近接アクセスポイント(AP)にオフロードすることで、モバイル機器が計算集約的なアプリケーションに対応できるようにする可能性をすでに示している。
しかし,MESのネットワーク条件や計算資源が限られているため,モバイル端末によるオフロード決定やMESが割り当てる計算資源は,低コストで効率よく達成できない。
我々はMECネットワークのための動的オフロードフレームワークを提案し、アップリンク非直交多重アクセス(NOMA)を用いて複数のデバイスがアップロードできるようにする。
論文 参考訳（メタデータ） (2020-06-29T15:11:10Z) - Knowledge Distillation for Mobile Edge Computation Offloading [14.417463848473494]
本稿では,Deep Imitation Learning(DIL)とKD(Knowledge Distillation)に基づくエッジ計算のオフロードフレームワークを提案する。
我々のモデルはすべての政策の中で最短の推論遅延を持っている。
論文 参考訳（メタデータ） (2020-04-09T04:58:46Z) - Joint Parameter-and-Bandwidth Allocation for Improving the Efficiency of
Partitioned Edge Learning [73.82875010696849]
機械学習アルゴリズムは、人工知能(AI)モデルをトレーニングするために、ネットワークエッジにデプロイされる。
本稿では,パラメータ(計算負荷)割り当てと帯域幅割り当ての新しい共同設計に焦点を当てる。
論文 参考訳（メタデータ） (2020-03-10T05:52:15Z)
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。