論文の概要: Mobility-aware Seamless Service Migration and Resource Allocation in Multi-edge IoV Systems

• arxiv url: http://arxiv.org/abs/2503.13494v1
• Date: Tue, 11 Mar 2025 07:03:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-23 06:09:50.770118
• Title: Mobility-aware Seamless Service Migration and Resource Allocation in Multi-edge IoV Systems
• Title（参考訳）: マルチエッジIoVシステムにおけるモビリティ対応シームレスサービスマイグレーションとリソース割り当て
• Authors: Zheyi Chen, Sijin Huang, Geyong Min, Zhaolong Ning, Jie Li, Yan Zhang,
• Abstract要約: Mobile Edge Computing (MEC)は、IoV(Internet-of-Vehicles)アプリケーションに対する低レイテンシと高帯域幅のサポートを提供する。 MECサーバ間の適切なサービス移行なしに、中断のない高品質なサービスを維持するのは難しい。 既存のソリューションは一般的に事前の知識に依存しており、サービス移行プロセス中に効率的なリソース割り当てを考慮することは滅多にありません。
• 参考スコア（独自算出の注目度）: 22.33677210691788
• License:
• Abstract: Mobile Edge Computing (MEC) offers low-latency and high-bandwidth support for Internet-of-Vehicles (IoV) applications. However, due to high vehicle mobility and finite communication coverage of base stations, it is hard to maintain uninterrupted and high-quality services without proper service migration among MEC servers. Existing solutions commonly rely on prior knowledge and rarely consider efficient resource allocation during the service migration process, making it hard to reach optimal performance in dynamic IoV environments. To address these important challenges, we propose SR-CL, a novel mobility-aware seamless Service migration and Resource allocation framework via Convex-optimization-enabled deep reinforcement Learning in multi-edge IoV systems. First, we decouple the Mixed Integer Nonlinear Programming (MINLP) problem of service migration and resource allocation into two sub-problems. Next, we design a new actor-critic-based asynchronous-update deep reinforcement learning method to handle service migration, where the delayed-update actor makes migration decisions and the one-step-update critic evaluates the decisions to guide the policy update. Notably, we theoretically derive the optimal resource allocation with convex optimization for each MEC server, thereby further improving system performance. Using the real-world datasets of vehicle trajectories and testbed, extensive experiments are conducted to verify the effectiveness of the proposed SR-CL. Compared to benchmark methods, the SR-CL achieves superior convergence and delay performance under various scenarios.
• Abstract（参考訳）: Mobile Edge Computing (MEC)は、IoV(Internet-of-Vehicles)アプリケーションに対する低レイテンシと高帯域幅のサポートを提供する。 しかし, 車両の移動性が高く, 基地局の通信範囲が有限であることから, MECサーバ間のサービス移行を適切に行わずに, 不断で高品質なサービスを維持することは困難である。 既存のソリューションは一般的に事前の知識に依存しており、サービス移行プロセス中に効率的なリソース割り当てを考慮することは滅多にありません。 これらの課題に対処するために,マルチエッジIoVシステムにおけるコンベックス最適化による深層強化学習を通した,新しいモビリティ対応のシームレスサービスマイグレーションおよびリソース割り当てフレームワークSR-CLを提案する。 まず、サービスマイグレーションとリソース割り当ての混合整数非線形プログラミング(MINLP)問題を2つのサブプロブレムに分離する。 次に、サービス移行を処理するために、アクターをベースとした非同期更新深層強化学習手法を設計し、遅延更新アクターがマイグレーション決定を行い、一段階更新批評家がポリシー更新をガイドする決定を評価する。 特に,各MECサーバの凸最適化による最適資源配分を理論的に導出し,システム性能をさらに向上させる。 車両軌道とテストベッドの実際のデータセットを用いて、提案したSR-CLの有効性を検証するための広範な実験を行った。 ベンチマーク手法と比較して、SR-CLは様々なシナリオにおいて優れた収束と遅延性能を達成する。

関連論文リスト

• Reinforcement Learning Controlled Adaptive PSO for Task Offloading in IIoT Edge Computing [0.0]
  産業用IoT(Industrial Internet of Things)アプリケーションは、低レイテンシで重いデータ負荷を処理するために、効率的なタスクオフロードを要求する。 モバイルエッジコンピューティング(MEC)は、レイテンシとサーバ負荷を低減するために、デバイスに計算を近づける。 本稿では,適応粒子群最適化(APSO)と強化学習,特にソフトアクタ批判(SAC)を組み合わせた新しい解を提案する。
  論文  参考訳（メタデータ） (2025-01-25T13:01:54Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• Resource Allocation for Stable LLM Training in Mobile Edge Computing [11.366306689957353]
  本稿では,モバイルユーザとエッジサーバを統合し,リソース割り当てを最適化する協調トレーニングフレームワークについて検討する。 学習中のエネルギー消費と遅延の総量を最小限に抑えるために,多目的最適化問題を定式化する。 また,モデルの安定性向上を目的関数に組み込むことにより,モデル性能の不安定性の共通問題にも対処する。
  論文  参考訳（メタデータ） (2024-09-30T12:36:27Z)
• Large Language Model as a Catalyst: A Paradigm Shift in Base Station Siting Optimization [62.16747639440893]
  大規模言語モデル(LLM)とその関連技術は、特に迅速な工学とエージェント工学の領域において進歩している。 提案するフレームワークは、検索拡張生成(RAG)を組み込んで、ドメイン固有の知識を取得してソリューションを生成するシステムの能力を高める。
  論文  参考訳（メタデータ） (2024-08-07T08:43:32Z)
• Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• 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)
• A Deep RL Approach on Task Placement and Scaling of Edge Resources for Cellular Vehicle-to-Network Service Provisioning [6.756220853104791]
  エッジリソースのサービスタスク配置とスケーリングの相互依存問題に対処する。 本稿では,ハイブリッド行動空間で動作する新しいDeep Reinforcement Learning (DRL) アプローチを提案する。 実世界のC-V2Nトラフィックデータセットを用いたシミュレーションによりDHPGの性能を評価する。
  論文  参考訳（メタデータ） (2023-05-16T22:19:19Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• Reinforcement Learning-based Dynamic Service Placement in Vehicular Networks [4.010371060637208]
  さまざまなタイプのサービスの要求におけるトラフィックモビリティパターンとダイナミックスの複雑さは、サービスの配置を困難なタスクにしました。 トラフィックモビリティやサービスのダイナミクスを考慮していないため、典型的な静的配置ソリューションは効果的ではありません。 本稿では,エッジサーバに最適なサービス配置を見つけるために,強化学習に基づく動的(RL-Dynamic)サービス配置フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-31T15:01:35Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• 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。