論文の概要: Cooperative Task Offloading through Asynchronous Deep Reinforcement Learning in Mobile Edge Computing for Future Networks

• arxiv url: http://arxiv.org/abs/2504.17526v1
• Date: Thu, 24 Apr 2025 13:12:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.376154
• Title: Cooperative Task Offloading through Asynchronous Deep Reinforcement Learning in Mobile Edge Computing for Future Networks
• Title（参考訳）: 将来のネットワークのためのモバイルエッジコンピューティングにおける非同期深層強化学習による協調タスクオフロード
• Authors: Yuelin Liu, Haiyuan Li, Xenofon Vasilakos, Rasheed Hussain, Dimitra Simeonidou,
• Abstract要約: 我々はTransformer-driven Prediction (CTO-TP) を用いたレイテンシとエネルギー効率のよい協調タスクオフロードフレームワークを提案する。 提案したCTO-TPアルゴリズムは,ベースライン方式と比較して,システム全体の80%のレイテンシと87%のエネルギー消費を削減している。
• 参考スコア（独自算出の注目度）: 2.9057981978152116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Future networks (including 6G) are poised to accelerate the realisation of Internet of Everything. However, it will result in a high demand for computing resources to support new services. Mobile Edge Computing (MEC) is a promising solution, enabling to offload computation-intensive tasks to nearby edge servers from the end-user devices, thereby reducing latency and energy consumption. However, relying solely on a single MEC server for task offloading can lead to uneven resource utilisation and suboptimal performance in complex scenarios. Additionally, traditional task offloading strategies specialise in centralised policy decisions, which unavoidably entail extreme transmission latency and reach computational bottleneck. To fill the gaps, we propose a latency and energy efficient Cooperative Task Offloading framework with Transformer-driven Prediction (CTO-TP), leveraging asynchronous multi-agent deep reinforcement learning to address these challenges. This approach fosters edge-edge cooperation and decreases the synchronous waiting time by performing asynchronous training, optimising task offloading, and resource allocation across distributed networks. The performance evaluation demonstrates that the proposed CTO-TP algorithm reduces up to 80% overall system latency and 87% energy consumption compared to the baseline schemes.
• Abstract（参考訳）: 将来のネットワーク(6Gを含む)は、あらゆる物のインターネットの実現を加速する。 しかし、新しいサービスをサポートするためのコンピューティングリソースの需要は高くなるだろう。 モバイルエッジコンピューティング(MEC)は有望なソリューションであり、計算集約的なタスクをエンドユーザデバイスから近くのエッジサーバにオフロードすることで、レイテンシとエネルギー消費を削減できる。 しかし、タスクオフロードのために単一のMECサーバにのみ依存すると、複雑なシナリオにおける不均一なリソース利用とサブ最適パフォーマンスにつながる可能性がある。 さらに、従来のタスクオフロード戦略は、極端に送信遅延を伴って計算ボトルネックに達することの避けられない、中央集権的なポリシー決定に特化している。 このギャップを埋めるために,Transformer-driven Prediction (CTO-TP) を用いたレイテンシとエネルギー効率のよい協調タスクオフロードフレームワークを提案する。 このアプローチは、エッジとエッジの協調を促進し、非同期トレーニング、タスクオフロードの最適化、分散ネットワーク間のリソース割り当てによって同期待ち時間を短縮する。 性能評価の結果,提案したCTO-TPアルゴリズムは,ベースライン方式と比較してシステム全体の80%のレイテンシと87%のエネルギー消費を削減できることがわかった。

関連論文リスト

• Intelligent Task Offloading in VANETs: A Hybrid AI-Driven Approach for Low-Latency and Energy Efficiency [2.1877558143992184]
  Vehicular Ad-hoc Networks (VANETs) はインテリジェントトランスポートシステムに不可欠なネットワークである。 VANETは、車両が計算タスクを近くのロードサイドユニット(RSU)とリアルタイム処理のためにモバイルエッジコンピューティング(MEC)サーバーにオフロードすることを可能にする。 本研究は、インテリジェントタスクオフロードとリソースアロケーションのための教師付き学習、強化学習、パーティクルスワーム最適化(PSO)を統合したハイブリッドAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-29T13:20:02Z)
• Multi-Agent DRL for Queue-Aware Task Offloading in Hierarchical MEC-Enabled Air-Ground Networks [4.0948483603286245]
  モバイルエッジコンピューティング(MEC)対応エアグラウンドネットワークは6Gの重要なコンポーネントである。 本稿では,MEC対応空地統合ネットワーク(MAGIN)における全エネルギー問題に取り組む。 ベータ分布 (MAPPO-BD) を用いた多高度政策最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-05T11:12:40Z)
• Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
  リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。 SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。 これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
  論文  参考訳（メタデータ） (2025-01-20T15:52:43Z)
• Intelligent Task Offloading: Advanced MEC Task Offloading and Resource Management in 5G Networks [6.725133919174076]
  5G技術は、高速で信頼性が高く、低レイテンシな通信、モバイルブロードバンドの革新、大規模なIoT接続をサポートする業界を強化します。 User Equipment上のアプリケーションの複雑さが増すにつれて、リソース集約的なタスクを堅牢なサーバにオフロードすることは、レイテンシとスピードを改善する上で不可欠である。 本稿では,各UE間の通信資源を効率的に配分する手法を提案する。 5G技術の進化によって引き起こされる課題に対して、堅牢で効率的な解決策を提供する。
  論文  参考訳（メタデータ） (2025-01-08T16:19:44Z)
• Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud Computing [73.7522199491117]
  量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。 ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。 本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-25T00:38:46Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)
• Computation Offloading and Resource Allocation in F-RANs: A Federated Deep Reinforcement Learning Approach [67.06539298956854]
  フォグ無線アクセスネットワーク(フォグ無線アクセスネットワーク、F-RAN)は、ユーザのモバイルデバイス(MD)が計算タスクを近くのフォグアクセスポイント(F-AP)にオフロードできる有望な技術である。
  論文  参考訳（メタデータ） (2022-06-13T02:19:20Z)
• On Jointly Optimizing Partial Offloading and SFC Mapping: A Cooperative Dual-agent Deep Reinforcement Learning Approach [8.168647937560504]
  本稿では,計算可能なMECシステムにおける部分オフロードとSFCマッピング共同最適化(POSMJO)問題について検討する。 目的は、実行遅延、MDのエネルギー消費、エッジコンピューティングの利用料金を組み合わせた長期的な平均コストを最小化することである。 本稿では,協調型二エージェント深部強化学習(CDADRL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-20T02:00:53Z)
• Energy Efficient Edge Computing: When Lyapunov Meets Distributed Reinforcement Learning [12.845204986571053]
  本研究では,エッジコンピューティングによるエネルギー効率のよいオフロード問題について検討する。 考慮されたシナリオでは、複数のユーザが同時に無線およびエッジコンピューティングリソースを競う。 提案されたソリューションは、ベンチマークアプローチと比較してネットワークのエネルギー効率を高めることもできます。
  論文  参考訳（メタデータ） (2021-03-31T11:02:29Z)
• EdgeBERT: Sentence-Level Energy Optimizations for Latency-Aware Multi-Task NLP Inference [82.1584439276834]
  BERTのようなトランスフォーマーベースの言語モデルでは、自然言語処理(NLP)タスクの精度が大幅に向上する。 We present EdgeBERT, a in-deepth algorithm- hardware co-design for latency-aware energy optimization for multi-task NLP。
  論文  参考訳（メタデータ） (2020-11-28T19:21:47Z)
• Deep Reinforcement Learning for Collaborative Edge Computing in Vehicular Networks [40.957135065965055]
  協調エッジコンピューティングフレームワークは、コンピューティングサービスのレイテンシを低減し、車両ネットワークのサービスの信頼性を向上させるために開発されている。 人工知能(AI)に基づく協調コンピューティングアプローチが開発され、車両のタスクオフロード、コンピューティング、結果配信ポリシーが決定される。 当社のアプローチでは,サービスレイテンシとサービス障害ペナルティを含むサービスコストを,最適なワークロード割り当てとサーバの選択によって最小化することができる。
  論文  参考訳（メタデータ） (2020-10-05T00:06:37Z)
• 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)
• Federated Learning for Task and Resource Allocation in Wireless High Altitude Balloon Networks [160.96150373385768]
  移動エッジコンピューティング(MEC)対応バルーンネットワークにおいて,タスク計算と伝送におけるエネルギーと時間消費の最小化の問題について検討した。 サポートベクトルマシン(SVM)に基づくフェデレーション学習(FL)アルゴリズムを提案する。 提案したSVMベースのFL法では,各HABが協調してSVMモデルを構築し,すべてのユーザアソシエーションを決定できる。
  論文  参考訳（メタデータ） (2020-03-19T14:18:25Z)

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。