联邦学习辅助的深度 Q 学习用于开放 RAN 中的联合任务卸载与前传段路由
网络与互联网体系结构
2023-08-15 v1
摘要
将计算密集型任务卸载到边缘云已成为支持资源受限边缘设备的一种高效方式。然而，由于边缘云与边缘设备之间网络容量有限，任务卸载延迟是一个大问题。在本文中，我们考虑开放无线接入网（O-RAN）中的任务卸载，O-RAN 是一种新的 5G RAN 架构，允许开放中央单元（O-CU）与开放分布式单元（DU）在边缘云中共置以实现低延迟服务。O-RAN 依赖前传网络连接 O-RAN 无线单元（O-RUs）与承载 O-DUs 的边缘云。因此，任务经由无线和前传网络卸载到边缘云 \cite{10045045}，这需要路由。由于边缘云可用的计算资源不同且任务的计算截止时间各异，我们需要一种将任务分配到多个边缘云的方法。先前工作从未解决这一任务卸载、前传路由与边缘计算的联合问题。为此，利用段路由、O-RAN 智能控制器和多个边缘云，我们构建了一个优化问题以最小化 O-RAN 中的卸载、前传路由和计算延迟。为求解这一 NP 难问题，我们使用由联邦学习辅助的深度 Q 学习，其奖励函数降低了延迟代价（CoD）。仿真结果表明，我们的解在最小化 CoD 方面最大化了奖励。
引用
@article{arxiv.2308.07258,
title = {Federated Learning Assisted Deep Q-Learning for Joint Task Offloading and Fronthaul Segment Routing in Open RAN},
author = {Anselme Ndikumana and Kim Khoa Nguyen and Mohamed Cheriet},
journal= {arXiv preprint arXiv:2308.07258},
year = {2023}
}