一种基于最优传输的强化学习方法用于计算卸载
网络与互联网体系结构
2021-03-12 v1
摘要
随着计算密集型应用和时延敏感型应用在终端设备上大量部署,仅有充足的计算资源才能满足差异化服务的时延需求。通过将任务卸载到云服务器或边缘服务器,计算卸载可以缓解计算和存储限制并降低时延与能耗。然而,现有卸载方案很少考虑云边协同以及能耗与任务依赖的约束。本文构建了云边计算中的协同计算卸载模型,并形式化了一个多目标优化问题。通过融合最优传输和基于策略的RL(Policy-Based RL),我们提出了一种基于最优传输的RL方法以解决卸载问题,并做出最小化时延与能耗总体成本的最优卸载决策。仿真结果表明,所提方法能有效降低成本,并显著优于现有优化方案。
引用
@article{arxiv.2103.06611,
title = {An Optimal-Transport-Based Reinforcement Learning Approach for Computation Offloading},
author = {Zhuo Li and Xu Zhou and Taixin Li and Yang Liu},
journal= {arXiv preprint arXiv:2103.06611},
year = {2021}
}