F-RAN中的计算卸载与资源分配：一种联邦深度强化学习方法
机器学习
2022-06-14 v1 人工智能
网络与互联网体系结构
摘要
雾无线接入网（F-RAN）是一项有前景的技术，其中用户移动设备（MDs）可将计算任务卸载到附近的雾接入点（F-APs）。由于 F-APs 资源有限，设计高效的任务卸载方案十分重要。本文考虑时变网络环境，建立 F-RAN 中动态计算卸载与资源分配问题，以最小化 MDs 的任务执行延迟与能耗。为求解该问题，提出一种基于联邦深度强化学习（DRL）的算法，其中深度确定性策略梯度（DDPG）算法在每个 F-AP 中执行计算卸载与资源分配。利用联邦学习训练 DDPG 智能体，以降低训练过程的计算复杂度并保护用户隐私。仿真结果表明，与其他现有策略相比，所提出的联邦 DDPG 算法能更快地实现更低的 MDs 任务执行延迟与能耗。
引用
@article{arxiv.2206.05881,
title = {Computation Offloading and Resource Allocation in F-RANs: A Federated Deep Reinforcement Learning Approach},
author = {Lingling Zhang and Yanxiang Jiang and Fu-Chun Zheng and Mehdi Bennis and Xiaohu You},
journal= {arXiv preprint arXiv:2206.05881},
year = {2022}
}
备注
This paper has been accepted by IEEE ICC 2022