异构车载边缘网络中的计算卸载：在线与离策略Bandit求解
网络与互联网体系结构
2023-03-16 v2 机器学习
信号处理
摘要
随着智能交通系统（ITS）与车载通信的快速发展，车载边缘计算（VEC）正成为一种有望支撑低时延ITS应用与服务的关键技术。本文考虑异构VEC场景下来自移动车辆/用户的计算卸载问题，聚焦于网络与基站选择问题，其中不同网络具有不同的业务负载。在快速变化的车载环境中，用户的计算卸载体验深受位于基站处的边缘计算服务器因拥塞所导致时延的影响。然而，由于此类环境的非平稳特性以及信息匮乏，预测该拥塞是一项复杂任务。为应对这一挑战，我们提出基于多臂bandit理论的在线学习算法与离策略学习算法。为在分段平稳环境中动态选择最不拥塞的网络，这些算法利用卸载历史预测被卸载任务所经历的时延。此外，为最小化因车辆移动性导致的任务丢失，我们开发了一种基站选择方法。而且，我们为所选网络提出一种基于车辆停留时间的中继机制。通过大量数值分析，我们证明所提基于学习的方案通过选择最不拥塞的网络来适应网络业务变化，从而降低卸载任务的时延。此外，我们证明所提联合基站选择与中继机制最小化了车载环境中的任务丢失。
引用
@article{arxiv.2008.06302,
title = {Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line and Off-policy Bandit Solutions},
author = {Arash Bozorgchenani and Setareh Maghsudi and Daniele Tarchi and Ekram Hossain},
journal= {arXiv preprint arXiv:2008.06302},
year = {2023}
}
备注
Published in IEEE Transactions on Mobile Computing, Vol 21, Issue 12, Dec 2022