基于深度强化学习的星地边缘计算网络任务卸载
网络与互联网体系结构
2021-02-04 v1
摘要
在偏远地区（如山区和沙漠），蜂窝网络通常部署稀疏或不可用。随着偏远地区新应用（如工业自动化和环境监测）的出现，资源受限终端已无法满足时延要求。同时，通过卫星链路将任务卸载到城市地面云（TC）会导致高延迟。为解决上述问题，提出了卫星边缘计算架构，即用户可将计算任务卸载到可见卫星上执行。然而，现有工作通常局限于纯卫星网络中的任务卸载，并基于预定义的用户模型做出卸载决策。此外，现有算法的运行消耗相当高。本文研究了星地边缘计算网络中的任务卸载问题，其中任务可由卫星或城市地面云执行。所提出的基于深度强化学习的任务卸载（DRTO）算法可通过调整候选位置数量来加速学习过程。此外，卸载位置和带宽分配仅依赖于当前信道状态。仿真结果表明，DRTO以更少的运行消耗实现了近最优的卸载代价性能，更适用于具有快衰落信道的星地网络。
引用
@article{arxiv.2102.01876,
title = {Deep Reinforcement Learning-based Task Offloading in Satellite-Terrestrial Edge Computing Networks},
author = {Dali Zhu and Haitao Liu and Ting Li and Jiyan Sun and Jie Liang and Hangsheng Zhang and Liru Geng and Yinlong Liu},
journal= {arXiv preprint arXiv:2102.01876},
year = {2021}
}