边缘计算中基于自适应多臂_bandit 的任务卸载学习
网络与互联网体系结构
2023-06-12 v1 信号处理
摘要
边缘计算的广泛采用已成为缓解任务处理延迟与降低能耗的重要趋势。然而，网络条件的动态性以及边缘服务器（ESs）计算能力的差异，可能导致边缘计算网络中计算负载与可用计算资源之间的不匹配，进而可能引发服务质量不足。为应对此挑战，本文研究了一个以动态任务卸载为特征的现实场景。起初，我们考察了传统的多臂_bandit（MAB）算法，即 -贪婪算法与基于 UCB1 的算法。然而，这两种算法在有效应对潮汐式数据流量模式方面均表现出某些弱点。因此，基于 MAB，我们提出了一种克服这些局限的自适应任务卸载算法（ATOA）。通过大量仿真，我们证明了我们的 ATOA 方案相比传统 MAB 方法在降低任务处理延迟方面的优越性。这证实了我们的方法在提升边缘计算网络性能与改善整体服务质量方面的有效性。
引用
@article{arxiv.2306.05856,
title = {Adaptive Multi-Armed Bandit Learning for Task Offloading in Edge Computing},
author = {Lin Wang and Jingjing Zhang},
journal= {arXiv preprint arXiv:2306.05856},
year = {2023}
}
备注
5 pages,6 figures