边缘计算中使用图神经网络与深度强化学习的依赖任务卸载
分布式、并行与集群计算
2023-03-31 v1
摘要
任务卸载是移动边缘计算(MEC)中广泛使用的技术，借助资源丰富的边缘服务器缩短用户任务完成时间。现有工作主要关注用户任务计算密度均质、从而可整体或按比例卸载的情形。然而现实中的各类用户任务由若干内部依赖子任务组成，每个子任务是逻辑上的最小执行单元。受此差距启发，本文旨在解决多用户多边缘场景下的依赖任务卸载(DTO)问题。我们首先用有向无环图(DAG)表示依赖任务，其中节点表示子任务、有向边表示子任务间依赖关系。随后提出基于图注意力网络(GAT)与深度强化学习(DRL)的方案以最小化用户任务的完工时间。为高效利用GAT，因其对数据与计算资源需求庞大，我们以无监督方式将训练置于资源丰富的云端。此外，我们为DRL算法设计多离散动作空间以增强所提方案的适用性。实验在广泛分布的合成数据上进行，结果表明所提方法可适应简单与复杂MEC环境，并优于其他方法。
引用
@article{arxiv.2303.17100,
title = {Dependent Task Offloading in Edge Computing Using GNN and Deep Reinforcement Learning},
author = {Zequn Cao and Xiaoheng Deng},
journal= {arXiv preprint arXiv:2303.17100},
year = {2023}
}