基于联邦深度强化学习的NOMA辅助MEC网络中的时延与能耗最小化
系统与控制
2024-05-08 v1 系统与控制
摘要
多接入边缘计算（MEC）被视为未来6G无线网络的关键组成部分，旨在支持对服务可靠性和低时延需求的新兴应用。然而，由于无线链路不确定性、通信与计算资源约束以及网络流量动态特性，确保MEC网络的超可靠低时延性能提出了重大挑战。实现超可靠低时延MEC网络必须高效地进行负载均衡和资源分配。本文研究了在NOMA辅助MEC网络中，联合优化卸载决策、计算和通信资源分配，以最小化预期加权交付时延和能耗之和。鉴于所构建的问题为混合整数非线性规划（MINLP），我们开发了一种基于双深度Q网络（DDQN）的多智能体联邦深度强化学习（FDRL）解决方案，高效地优化MEC网络中的卸载策略，加速Internet-of-Thing（IoT）设备的学习过程。仿真结果表明，所提出的FDRL方案能够有效降低MEC网络中IoT设备的加权交付时延和能耗之和，优于基线方法。
引用
@article{arxiv.2405.04012,
title = {Latency and Energy Minimization in NOMA-Assisted MEC Network: A Federated Deep Reinforcement Learning Approach},
author = {Arian Ahmadi and Anders Høst-Madsen and Zixiang Xiong},
journal= {arXiv preprint arXiv:2405.04012},
year = {2024}
}