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

Resource Allocation for Mobile Edge Computing System Considering User Mobility with Deep Reinforcement Learning Alocação de recursos para sistema de computação móvel de borda considerando a mobilidade do usuário com aprendizado por reforço profundo

Kairi TOKUDA, Takehiro SATO, Eiji OKI

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

A computação de borda móvel (MEC) é uma tecnologia chave para fornecer serviços que exigem baixa latência, migrando funções da nuvem para a borda da rede. A potencial baixa qualidade do canal sem fio deve ser observada quando usuários móveis com recursos computacionais limitados transferem tarefas para um servidor MEC. Para melhorar a confiabilidade da transmissão, é necessário realizar a alocação de recursos em um servidor MEC, levando em consideração a qualidade atual do canal e a contenção de recursos. Existem vários trabalhos que adotam uma abordagem de aprendizagem por reforço profundo (DRL) para abordar essa alocação de recursos. No entanto, estas abordagens consideram um número fixo de utilizadores descarregando as suas tarefas e não assumem uma situação em que o número de utilizadores varia devido à mobilidade do utilizador. Este artigo propõe um modelo de aprendizagem por reforço profundo para Alocação de Recursos MEC com Dummy (DMRA-D), um modelo de aprendizagem online que aborda a alocação de recursos em um servidor MEC sob a situação em que o número de usuários varia. Ao adotar estado/ação fictício, DMRA-D mantém a representação de estado/ação. Portanto, o DMRA-D pode continuar a aprender um modelo independentemente da variação no número de usuários durante a operação. Os resultados numéricos mostram que o DMRA-D melhora a taxa de sucesso no envio de tarefas, ao mesmo tempo que continua o aprendizado em situações em que o número de usuários varia.

Publicação
IEICE TRANSACTIONS on Communications Vol.E107-B No.1 pp.173-184
Data de publicação
2024/01/01
Publicitada
2023/10/06
ISSN online
1745-1345
DOI
10.1587/transcom.2023EBP3043
Tipo de Manuscrito
PAPER
Categoria
Network

autores

Kairi TOKUDA
  Kyoto University
Takehiro SATO
  Kyoto University
Eiji OKI
  Kyoto University

Palavra-chave