基于自适应学习的车载边缘计算系统任务卸载
信息论
2019-01-17 v1 math.IT
摘要
车载边缘计算(VEC)系统整合车辆的计算资源，并通过任务卸载为其他车辆与行人提供计算服务。然而，车载任务卸载环境是动态且不确定的，具有快速变化的网络拓扑、无线信道状态与计算负载。这些不确定性给任务卸载带来额外挑战。本工作中，我们考虑车辆间的任务卸载，并提出一种使车辆能在卸载计算任务时学习其邻近车辆卸载延迟性能的解决方案。我们基于多臂老虎机(MAB)理论设计了一种基于自适应学习的任务卸载(ALTO)算法，以最小化平均卸载延迟。ALTO以分布式方式工作，无需频繁状态交换，并增强输入感知与发生感知以适配动态环境。所提算法被证明具有次线性学习遗憾。我们在合成场景与真实高速公路场景下进行大量仿真，结果表明所提算法实现了低延迟性能，且相较现有基于上置信界的学习算法将平均延迟降低多达30%。
引用
@article{arxiv.1901.05205,
title = {Adaptive Learning-Based Task Offloading for Vehicular Edge Computing Systems},
author = {Yuxuan Sun and Xueying Guo and Jinhui Song and Sheng Zhou and Zhiyuan Jiang and Xin Liu and Zhisheng Niu},
journal= {arXiv preprint arXiv:1901.05205},
year = {2019}
}
备注
13 pages, 7 figures, accepted by IEEE Transactions on Vehicular Technology