移动边缘计算中基于深度强化学习的在线时延感知工作负载卸载
分布式、并行与集群计算
2022-11-01 v2
摘要
由于物联网（IoT）设备资源受限的特性，将任务从IoT设备卸载到附近的移动边缘计算（MEC）服务器不仅能节省IoT设备的能耗，还能减少任务执行的响应时间。然而，由于MEC服务器计算资源有限，将任务卸载到最近的MEC服务器可能不是最优解。因此，联合优化卸载决策与资源管理至关重要，但尚待探索。此处，卸载决策指将任务卸载至何处，资源管理指MEC服务器中为任务分配多少计算资源。通过考虑任务在通信与计算队列中的等待时间（现有大多数工作忽略此点）以及任务优先级，我们提出基于深度强化学习（Deep reinforcement lEarning based offloading deCision and rEsource managemeNT，DECENT）的卸载决策与资源管理算法，其利用优势 actor-critic 方法实时优化每个到达任务的卸载决策与计算资源分配，从而使累积加权响应时间最小化。DECENT的性能通过不同实验得到验证。
引用
@article{arxiv.2209.05191,
title = {Deep Reinforcement Learning for Online Latency Aware Workload Offloading in Mobile Edge Computing},
author = {Zeinab Akhavan and Mona Esmaeili and Babak Badnava and Mohammad Yousefi and Xiang Sun and Michael Devetsikiotis and Payman Zarkesh-Ha},
journal= {arXiv preprint arXiv:2209.05191},
year = {2022}
}
备注
9 pages, 7 figures, This paper has been accepted for the publication at the GLOBECOM' 22