高能效截止时间感知边缘计算：多信道系统中部分观测的 Bandit 学习
网络与互联网体系结构
2023-08-15 v1 分布式、并行与集群计算
信息论
math.IT
摘要
在本文中，我们考虑多接入边缘计算（MEC）网络中的任务卸载问题，其中边缘用户可以使用其本地处理单元计算任务，或通过具有不同特征的多个通信信道将任务卸载到附近的边缘服务器。主要目标是在满足计算任务截止时间的同时最大化边缘用户的能效。在多用户多信道卸载场景中，用户仅分布有系统状态的部分观测。我们将该问题表述为随机优化问题，并利用上下文神经多臂 Bandit（contextual neural multi-armed bandit）模型来开发一种高能效截止时间感知的解决方案，称为 E2DA。所提出的 E2DA 框架仅依赖部分状态信息（即计算任务特征）来做出卸载决策。通过大量数值分析，我们证明 E2DA 算法能够高效学习卸载策略，并与若干优化能耗和/或响应时间的基线策略相比达到接近最优的性能。此外，我们针对增强现实（AR）和虚拟现实（VR）等多种应用提供了关于 MEC 系统性能的详尽结果集。
引用
@article{arxiv.2308.06647,
title = {Energy-Efficient Deadline-Aware Edge Computing: Bandit Learning with Partial Observations in Multi-Channel Systems},
author = {Babak Badnava and Keenan Roach and Kenny Cheung and Morteza Hashemi and Ness B Shroff},
journal= {arXiv preprint arXiv:2308.06647},
year = {2023}
}
备注
2023 IEEE Global Communications Conference