DRLD-SP：一种基于深度强化学习的车联网边缘动态服务放置方法
网络与互联网体系结构
2021-09-14 v2 机器学习
摘要
5G 与边缘计算的发展催生了车联网的兴起。它支持具有不同资源与服务需求的多种类型服务。然而，边缘资源有限、车辆高移动性、需求增长以及服务请求类型的动态性，使得服务放置成为一项艰巨任务。典型的静态放置方案因未考虑流量移动性与服务动态性而效果不佳。处理车联网中服务放置的动态性是一个重要且具有挑战性的问题，也是本文工作的主要焦点。我们提出一种基于深度强化学习的动态服务放置（DRLD-SP）框架，目标是在考虑车辆移动性、变化需求以及不同类型服务请求动态性的同时，最小化最大边缘资源占用与服务延迟。我们使用 SUMO 与 MATLAB 进行仿真实验。实验结果表明，所提出的 DRLD-SP 方法有效且优于其他静态与动态放置方法。
引用
@article{arxiv.2106.06291,
title = {DRLD-SP: A Deep Reinforcement Learning-based Dynamic Service Placement in Edge-Enabled Internet of Vehicles},
author = {Anum Talpur and Mohan Gurusamy},
journal= {arXiv preprint arXiv:2106.06291},
year = {2021}
}
备注
Accepted for publication at the IEEE Internet of Things Journal