面向未来网络的移动边缘计算中基于异步深度强化学习的协同任务卸载
机器学习
2025-04-25 v1
摘要
未来网络（包括 6G）将加速实现万物互联。然而，这将导致对计算资源的高需求，以支持新服务。移动边缘计算（MEC）是一种极具前景的解决方案，能够将计算密集型任务从终端用户设备卸载到附近的边缘服务器，从而降低延迟和能耗。然而，仅依赖单一 MEC 服务器进行任务卸载可能导致复杂的场景下资源利用不均和性能次优。此外，传统的任务卸载策略专长于集中式策略决策，不可避免地会产生极高的传输延迟并达到计算瓶颈。为了填补这些空白，我们提出了一种具有 Transformer 驱动预测的时延与能效协同任务卸载框架（CTO-TP），利用异步多智能体深度强化学习来应对这些挑战。该方法通过执行异步训练促进边缘-边缘协作并减少同步等待时间，优化分布式网络中的任务卸载和资源分配。性能评估表明，与基线方案相比，所提出的 CTO-TP 算法将系统总延迟降低了高达 80%，能耗降低了 87%。
引用
@article{arxiv.2504.17526,
title = {Cooperative Task Offloading through Asynchronous Deep Reinforcement Learning in Mobile Edge Computing for Future Networks},
author = {Yuelin Liu and Haiyuan Li and Xenofon Vasilakos and Rasheed Hussain and Dimitra Simeonidou},
journal= {arXiv preprint arXiv:2504.17526},
year = {2025}
}