MEC 辅助 XR 设备中多任务 DNN 推理的能耗优化：一种李雅普诺夫引导的强化学习方法
网络与互联网体系结构
2025-01-07 v1 人工智能
系统与控制
系统与控制
摘要
扩展现实（XR）融合了虚拟与现实世界，是未来网络的关键应用。尽管人工智能的进步增强了 XR 的能力，但也给轻量级 XR 设备带来了巨大的计算和能耗挑战。在本文中，我们为多任务 DNN 推理开发了一个分布式队列模型，以解决资源竞争和队列耦合问题。针对 XR 设备高能耗和有限资源带来的挑战，我们设计了一种用于模型划分和资源分配的双时间尺度联合优化策略，并将其表述为双层优化问题。该策略旨在最小化 XR 设备的总能耗，同时确保队列稳定性并遵守计算与通信资源约束。为解决这一问题，我们设计了一种李雅普诺夫引导的近端策略优化算法，命名为 LyaPPO。数值结果表明，LyaPPO 算法优于基线方法，在不同资源容量下实现了 24.79% 至 46.14% 的节能。具体而言，与基线算法相比，所提算法将 XR 设备的能耗降低了 24.29% 至 56.62%。
引用
@article{arxiv.2501.02572,
title = {Energy Optimization of Multi-task DNN Inference in MEC-assisted XR Devices: A Lyapunov-Guided Reinforcement Learning Approach},
author = {Yanzan Sun and Jiacheng Qiu and Guangjin Pan and Shugong Xu and Shunqing Zhang and Xiaoyun Wang and Shuangfeng Han},
journal= {arXiv preprint arXiv:2501.02572},
year = {2025}
}
备注
13 pages, 7 figures. This work has been submitted to the IEEE for possible publication