論文の概要: Decentralized Task Offloading and Load-Balancing for Mobile Edge Computing in Dense Networks
- arxiv url: http://arxiv.org/abs/2407.00080v1
- Date: Mon, 24 Jun 2024 08:18:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-07 13:34:23.972889
- Title: Decentralized Task Offloading and Load-Balancing for Mobile Edge Computing in Dense Networks
- Title（参考訳）: ディセンスネットワークにおけるモバイルエッジコンピューティングのための分散タスクオフロードとロードバランシング
- Authors: Mariam Yahya, Alexander Conzelmann, Setareh Maghsudi,
- Abstract要約: 本稿では,多数のデバイスとエッジサーバを備えた高密度ネットワークにおける分散タスクオフロードとロードバランシングの問題について検討する。
提案手法は,平均フィールドマルチエージェントマルチアームバンディット(MAB)ゲームと,サーバの報酬を調整するロードバランシング技術を組み合わせることで,ターゲットの人口プロファイルを実現する。
- 参考スコア（独自算出の注目度）: 48.160716521203256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of decentralized task offloading and load-balancing in a dense network with numerous devices and a set of edge servers. Solving this problem optimally is complicated due to the unknown network information and random task sizes. The shared network resources also influence the users' decisions and resource distribution. Our solution combines the mean field multi-agent multi-armed bandit (MAB) game with a load-balancing technique that adjusts the servers' rewards to achieve a target population profile despite the distributed user decision-making. Numerical results demonstrate the efficacy of our approach and the convergence to the target load distribution.
- Abstract（参考訳）: 本稿では,多数のデバイスとエッジサーバを備えた高密度ネットワークにおける分散タスクオフロードとロードバランシングの問題について検討する。
この問題を最適に解くことは、未知のネットワーク情報とランダムなタスクサイズのために複雑である。
共有ネットワークリソースは、ユーザの判断やリソースの分散にも影響を及ぼす。
提案手法は,分散ユーザ意思決定にも拘わらず,平均フィールドマルチエージェントマルチアームバンディット(MAB)ゲームとサーバの報酬を調整するロードバランシング技術を組み合わせる。
数値計算により,本手法の有効性と目標荷重分布への収束性を示した。
関連論文リスト
- Continual Deep Learning on the Edge via Stochastic Local Competition among Subnetworks [6.367254849444475]
エッジデバイス上での継続的な学習は、厳しいリソース制約のため、ユニークな課題を生んでいる。
本稿では,競争の原則を活かしてスパシティを促進する新しい手法を提案する。
これにより、ディープ・ネットワーク・メモリのフットプリントと計算負荷が大幅に削減される。
論文 参考訳（メタデータ） (2024-07-15T14:36:05Z) - Congestion-aware Distributed Task Offloading in Wireless Multi-hop
Networks Using Graph Neural Networks [33.79834562046449]
既存のオフロード方式は主にモバイルデバイスとサーバに焦点を当て、複数のモバイルデバイスからのタスクによるネットワークの混雑を無視する。
本稿では,グラフベース機械学習を用いて分散グリードフレームワークを増強し,分散タスクオフロード方式を提案する。
提案手法は,コンテキストに依存しないベースライン下での混雑や不安定な待ち行列の低減に有効であるとともに,ローカルコンピューティングによる実行遅延の改善にも有効である。
論文 参考訳（メタデータ） (2023-12-05T03:46:30Z) - Distributed Online Rollout for Multivehicle Routing in Unmapped
Environments [0.8437187555622164]
我々は、よく知られた多車両ルーティング問題に対して、完全に分散し、オンラインでスケーラブルな強化学習アルゴリズムを提案する。
エージェントはローカルクラスタに自己組織化し、各クラスタにローカルにマルチエージェントロールアウトスキームを独立に適用する。
提案アルゴリズムは, 放射半径の2倍と3倍の精度で, 基本方針よりも約2倍のコスト向上を実現している。
論文 参考訳（メタデータ） (2023-05-24T22:06:44Z) - Intelligent Load Balancing and Resource Allocation in O-RAN: A
Multi-Agent Multi-Armed Bandit Approach [4.834203844100679]
負荷分散と資源配分(mmLBRA)のためのマルチエージェントマルチアームバンディットを提案する。
また,Non-RT RIC (Non-RT RIC) と近RT RIC (Non-RT RIC) で独立に動作可能な mmLBRA-LB と mmLBRA-RA のサブスキームを提案する。
論文 参考訳（メタデータ） (2023-03-25T04:42:30Z) - Competing Adaptive Networks [56.56653763124104]
適応エージェントのチーム間での分散競争のためのアルゴリズムを開発する。
本稿では,生成的対向ニューラルネットワークの分散学習への応用について述べる。
論文 参考訳（メタデータ） (2021-03-29T14:42:15Z) - Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。
当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。
我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
論文 参考訳（メタデータ） (2021-03-08T21:48:55Z) - 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) - Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal
Constraints [52.58352707495122]
本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。
都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
論文 参考訳（メタデータ） (2020-05-27T01:10:41Z) - A Non-Stationary Bandit-Learning Approach to Energy-Efficient
Femto-Caching with Rateless-Coded Transmission [98.47527781626161]
小セルネットワークにおける共同キャッシュと送信のためのリソース割り当て問題について検討する。
次に、各放送ラウンドの送信電力レベルとともに、キャッシュからファイルを選択するという問題を定式化する。
最先端の研究とは対照的に、提案手法は時変統計特性を持つネットワークに特に適している。
論文 参考訳（メタデータ） (2020-04-13T09:07:17Z) - Distributed Learning in Ad-Hoc Networks: A Multi-player Multi-armed
Bandit Framework [0.0]
次世代ネットワークは超高密度で、ピークレートは非常に高いが、ユーザ当たりのトラフィックは比較的低いと期待されている。
この問題を解決するために、他のネットワークとスペクトルを共有する認知アドホックネットワーク(CAHN)が構想されている。
本稿では,最先端のマルチアーム・マルチプレイヤー・バンディットに基づく分散学習アルゴリズムについて論じる。
論文 参考訳（メタデータ） (2020-03-06T18:11:47Z)
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。