論文の概要: Delay-Aware Multi-Stage Edge Server Upgrade with Budget Constraint
- arxiv url: http://arxiv.org/abs/2512.16792v1
- Date: Thu, 18 Dec 2025 17:25:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-19 18:10:32.184337
- Title: Delay-Aware Multi-Stage Edge Server Upgrade with Budget Constraint
- Title（参考訳）: 予算制約を考慮した遅延対応マルチステージエッジサーバのアップグレード
- Authors: Endar Suprih Wihidayat, Sieteng Soh, Kwan-Wu Chin, Duc-son Pham,
- Abstract要約: 新たなネットワーク計画問題として,マルチステージエッジサーバアップグレード(M-ESU)が提案されている。
混合線形プログラミング(MILP)モデルと効率的なアルゴリズム(M-ESU/H)の2つの解を提案する。
本実験は,M-ESU/Hが同一予算および需要成長条件下でのタスク満足度を最大21.57%向上させることを示す。
- 参考スコア（独自算出の注目度）: 1.147957489049392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, the Multi-stage Edge Server Upgrade (M-ESU) is proposed as a new network planning problem, involving the upgrading of an existing multi-access edge computing (MEC) system through multiple stages (e.g., over several years). More precisely, the problem considers two key decisions: (i) whether to deploy additional edge servers or upgrade those already installed, and (ii) how tasks should be offloaded so that the average number of tasks that meet their delay requirement is maximized. The framework specifically involves: (i) deployment of new servers combined with capacity upgrades for existing servers, and (ii) the optimal task offloading to maximize the average number of tasks with a delay requirement. It also considers the following constraints: (i) budget per stage, (ii) server deployment and upgrade cost (in $) and cost depreciation rate, (iii) computation resource of servers, (iv) number of tasks and their growth rate (in %), and (v) the increase in task sizes and stricter delay requirements over time. We present two solutions: a Mixed Integer Linear Programming (MILP) model and an efficient heuristic algorithm (M-ESU/H). MILP yields the optimal solution for small networks, whereas M-ESU/H is used in large-scale networks. For small networks, the simulation results show that the solution computed by M-ESU/H is within 1.25% of the optimal solution while running several orders of magnitude faster. For large networks, M-ESU/H is compared against three alternative heuristic solutions that consider only server deployment, or giving priority to server deployment or upgrade. Our experiments show that M-ESU/H yields up to 21.57% improvement in task satisfaction under identical budget and demand growth conditions, confirming its scalability and practical value for long-term MEC systems.
- Abstract（参考訳）: 本稿では,M-ESU(Multi-stage Edge Server Upgrade)を新たなネットワーク計画問題として提案する。
より正確には、問題は2つの重要な決定である。
(i)追加のエッジサーバをデプロイするか、既にインストールされているサーバをアップグレードするか、
(II)遅延要件を満たすタスクの平均数が最大になるようにタスクをオフロードする方法。
フレームワークには特に次のようなものが含まれます。
(i)新規サーバの展開と既存サーバのキャパシティアップグレード
(II)遅延条件でタスクの平均回数を最大化するために最適なタスクオフロードを行う。
また、以下の制約も考慮している。
(i)1ステージ当たりの予算
(ii)サーバのデプロイとアップグレードのコスト($)とコスト削減率。
三 サーバの計算資源
(4)タスク数とその成長率(%)、及び
(v)タスクサイズの増加と時間の経過に伴う遅延要件の厳格化。
混合整数線形プログラミング(MILP)モデルと効率的なヒューリスティックアルゴリズム(M-ESU/H)の2つの解を提案する。
MILPは、M-ESU/Hが大規模ネットワークで使用されるのに対し、小型ネットワークでは最適解が得られる。
小さなネットワークの場合、シミュレーションの結果、M-ESU/Hで計算された解は最適解の1.25%以内であり、数桁高速に動作していることがわかった。
大規模ネットワークでは、M-ESU/Hはサーバデプロイメントのみを考慮する3つの代替ヒューリスティックソリューションと比較される。
本実験により,M-ESU/Hは同一予算および需要成長条件下でのタスク満足度を最大21.57%向上し,長期MECシステムのスケーラビリティと実用性を確認した。
関連論文リスト
- Dependency-Aware Task Offloading in Multi-UAV Assisted Collaborative Mobile Edge Computing [53.88774113545582]
本稿では,新しい無人航空機(UAV)による協調移動エッジコンピューティング(MEC)フレームワークを提案する。
システムコストを最小限に抑え、タスク消費とエネルギー消費のトレードオフを改善することを目的としている。
提案手法はシステムコストを大幅に削減し,タスク消費とエネルギー消費のトレードオフの改善を実現する。
論文 参考訳（メタデータ） (2025-10-23T02:55:40Z) - QuantV2X: A Fully Quantized Multi-Agent System for Cooperative Perception [47.35478308553379]
textbfQuantV2Xは、協調知覚の効率的な展開のための、最初の完全量子化されたマルチエージェントシステムである。
低ビットの制約の下で動作しているにもかかわらず、QuantV2Xは完全精度のシステムに匹敵する精度を達成している。
その結果,実世界展開のための完全量子化マルチエージェント中間核融合システムの実現可能性を強調した。
論文 参考訳（メタデータ） (2025-09-03T20:39:03Z) - HyperFlexis: Joint Design of Algorithms and Systems for Multi-SLO Serving and Fast Scaling [19.154782641360253]
現代の大規模言語モデル(LLM)が提供するシステムは、さまざまな長さ、優先順位、ステージ固有のサービスレベル目標(SLO)を持つ、高度に可変的な要求からの課題に直面している。
我々は,複数のSLO下でのスケジューリングとスケーリングを協調的に最適化するために,アルゴリズムとシステムレベルのイノベーションを統合した統一LLMサービスシステムHyperFlexisを提案する。
論文 参考訳（メタデータ） (2025-08-21T18:40:20Z) - Batching-Aware Joint Model Onloading and Offloading for Hierarchical Multi-Task Inference [16.974966624253156]
クライアントとエッジサーバにどのマルチタスクモデルをデプロイ(オンロード)するかを共同で決定する統合フレームワークを提案する。
本稿では,ラグランジアン近似による部分モジュラー最適化によりモデル載荷を選択し,最適なオフロードを決定する交互アルゴリズムであるJ3Oを紹介する。
実験によると、J3Oは最適な精度の97%以上を一貫して達成し、最適なソルバが要求するランタイムの15%以下を達成している。
論文 参考訳（メタデータ） (2025-08-18T21:49:32Z) - ConServe: Fine-Grained GPU Harvesting for LLM Online and Offline Co-Serving [61.35068981176018]
ConServeは、高いスループットと強力なオンラインレイテンシ保証を実現する大規模言語モデル(LLM)サービスシステムである。
我々は,ConServeが平均2.2$times$高スループットを実現し,オンラインサービステールのレイテンシを最先端システムと比較して平均2.9$times$削減することを示した。
論文 参考訳（メタデータ） (2024-10-02T04:12:13Z) - 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) - 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) - 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) - Reinforcement Learning Framework for Server Placement and Workload
Allocation in Multi-Access Edge Computing [9.598394554018164]
本稿では,最小コストでMEC設計を実現するために,ネットワーク遅延とエッジサーバ数の両方を最小化する問題に対処する。
本稿では,この問題を解決するためのマルコフ決定プロセス(MDP)の設計において,状態空間,行動空間,ペナルティ関数の効率的な表現とモデル化を行う新しいRLフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-21T03:04:50Z) - 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)
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。