设备辅助移动边缘网络中的联合任务划分与并行调度
分布式、并行与集群计算
2023-12-05 v1
摘要
随着物联网的发展，某些物联网设备不仅能完成自身任务，还能同时协助其他资源受限设备。因此，本文考虑一个设备辅助的移动边缘计算系统，利用辅助物联网设备减轻边缘计算服务器的计算负担，提升系统整体性能。本研究将计算密集型任务分解为多个分区，每个任务分区可在物联网设备或边缘服务器上并行处理。目标是开发一种高效的在线算法，解决时变系统状态下任务划分与并行调度的联合优化问题，这对传统数值优化方法构成挑战。为此，提出基于深度强化学习的在线任务划分动作与并行调度策略生成框架 OTPPS。具体地，该框架利用深度神经网络通过映射输入状态学习每个任务的最优划分动作。进一步证明，在给定特定任务划分动作时，剩余的并行调度问题具有 NP-hard 复杂度。为解决该子问题，设计了公平且延迟最小化的任务调度算法 FDMTS。大量评估结果表明，与其他基线方案相比，OTPPS 在各种环境状态下实现了接近最优的平均延迟性能和持续高公平性。
引用
@article{arxiv.2312.01751,
title = {Joint Task Partitioning and Parallel Scheduling in Device-Assisted Mobile Edge Networks},
author = {Yang Li and Xinlei Ge and Bo Lei and Xing Zhang and Wenbo Wang},
journal= {arXiv preprint arXiv:2312.01751},
year = {2023}
}
备注
Accepted to IEEE Internet of Things Journal