A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Edge Computing Resource Allocation Algorithm for NB-IoT Based on Deep Reinforcement Learning Algoritmo de alocação de recursos de Edge Computing para NB-IoT baseado em Deep Reinforcement Learning

Jiawen CHU, Chunyun PAN, Yafei WANG, Xiang YUN, Xuehua LI

  • Exibições de texto completo

    2

  • Cite isto

Resumo:

A tecnologia de computação móvel de ponta (MEC) garante a privacidade e a segurança de dados em grande escala na Narrowband-IoT (NB-IoT), implantando servidores MEC perto de estações base para fornecer capacidade suficiente de computação, armazenamento e processamento de dados para atender ao atraso e requisitos de consumo de energia dos equipamentos terminais NB-IoT. Para o sistema NB-IoT MEC, este artigo propõe um algoritmo de alocação de recursos baseado em aprendizagem por reforço profundo para otimizar o custo total de transferência e execução de tarefas. Como o problema formulado é uma programação não linear de número inteiro misto (MINLP), apresentamos nosso problema como um problema de aprendizagem por reforço profundo distribuído multiagente (DRL) e o abordamos usando o algoritmo de rede Q-learning de duelo. Os resultados da simulação mostram que, em comparação com a rede Q-learning profunda e os algoritmos de custo totalmente local e de custo totalmente descarregado, o algoritmo proposto pode efetivamente garantir as taxas de sucesso de descarregamento e execução de tarefas. Além disso, quando o volume da tarefa de execução é de 200 KBit, o custo total do sistema do algoritmo proposto pode ser reduzido em pelo menos 1.3%, e quando o volume da tarefa de execução é de 600 KBit, o custo total das tarefas de execução do sistema pode ser reduzido em 16.7% no máximo.

Publicação
IEICE TRANSACTIONS on Communications Vol.E106-B No.5 pp.439-447
Data de publicação
2023/05/01
Publicitada
2022/11/04
ISSN online
1745-1345
DOI
10.1587/transcom.2022EBP3076
Tipo de Manuscrito
PAPER
Categoria
Network

autores

Jiawen CHU
  Beijing Information Science and Technology University
Chunyun PAN
  Beijing Information Science and Technology University
Yafei WANG
  Beijing Information Science and Technology University
Xiang YUN
  Baicells Technologies Co., Ltd.
Xuehua LI
  Beijing Information Science and Technology University

Palavra-chave