边缘计算中数字孪生辅助的资源感知型微服务卸载强化学习
网络与互联网体系结构
2024-03-14 v1 机器学习
摘要
协作边缘计算（CEC）已成为一种有前景的范式，使边缘节点能够协作并执行来自终端设备的微服务。微服务卸载作为一个根本性的重要问题，决定了服务到达时微服务在何时何地执行。然而，现实世界 CEC 环境的动态特性常常导致低效的微服务卸载策略，造成资源利用不足和网络拥塞。为应对这一挑战，我们形式化了一个在线联合微服务卸载与带宽分配问题 JMOBA，以最小化服务的平均完成时间。本文介绍了一种新颖的微服务卸载算法 DTDRLMO，该算法利用深度强化学习（DRL）和数字孪生技术。具体而言，我们采用数字孪生技术实时预测并适应 CEC 中变化的边缘节点负载和网络状况。此外，该方法能够生成高效的卸载计划，为每个微服务选择最合适的边缘节点。在真实世界和合成数据集上的仿真结果表明，DTDRLMO 在平均服务完成时间上优于启发式方法和基于学习的方法。
引用
@article{arxiv.2403.08687,
title = {Digital Twin-assisted Reinforcement Learning for Resource-aware Microservice Offloading in Edge Computing},
author = {Xiangchun Chen and Jiannong Cao and Zhixuan Liang and Yuvraj Sahni and Mingjin Zhang},
journal= {arXiv preprint arXiv:2403.08687},
year = {2024}
}
备注
9 pages, 5 figures