基于联合 AoI 和 VoI 的强化学习在计算优先网络中的高效信息更新
网络与互联网体系结构
2025-05-12 v1 分布式、并行与集群计算
系统与控制
系统与控制
摘要
及时且高效的信息 dissemination 在计算优先网络系统中至关重要，其中用户请求动态到达且计算资源有限。在此类系统中，访问点 (AP) 在基于最新接收的服务信息时发挥关键作用，决定将用户请求转发给哪个服务器。本文考虑单源单目的系统，引入一种 Age-and-Value-Aware (AVA) 指标，联合捕捉服务信息的时效性和任务相关性。不同于传统基于新鲜度的指标，AVA 显式地纳入服务器端服务容量和 AP 转发决策的变化，允许更加上下文感知的更新评估。基于 AVA，我们提出一种基于强化学习的更新策略，学习有选择性地将服务信息更新传输给 AP。旨在最大化整体任务成功率，同时最小化不必要的通信。广泛的仿真实验在不同用户请求模式和可变服务容量下表明，AVA 平均将更新频率降低超过 90%，在某些配置下降幅达 98%。关键在于，这种降低是在不损害任务执行准确性或决策质量的前提下实现的。
引用
@article{arxiv.2505.06025,
title = {Efficient Information Updates in Compute-First Networking via Reinforcement Learning with Joint AoI and VoI},
author = {Jianpeng Qi and Chao Liu and Chengxiang Xu and Rui Wang and Junyu Dong and Yanwei Yu},
journal= {arXiv preprint arXiv:2505.06025},
year = {2025}
}
备注
11pages, 40 figures