面向能量采集物联网设备的基于学习的计算卸载
网络与互联网体系结构
2017-12-27 v1
摘要
物联网(IoT)设备可应用移动边缘计算(MEC)和能量采集(EH)为计算密集型应用提供满意的体验质量并延长电池寿命。在本文中,我们研究具有能量采集的IoT设备在含多个MEC设备(如基站和接入点,各自具有不同的计算资源和无线通信能力)的无线网络中的计算卸载。我们提出一种基于强化学习的计算卸载框架,使IoT设备能根据当前电池电量、到各MEC设备的前次无线带宽以及预测的能量采集量,选择MEC设备并确定卸载率。提出一种基于“热启动(hotbooting)”Q学习的计算卸载方案,使IoT设备无需知晓MEC模型、能耗和计算延迟模型即可实现最优卸载性能。我们还提出一种快速深度Q网络(DQN)卸载方案,其结合深度学习和热启动技术以加快Q学习的学习速度。我们表明所提方案在足够长的学习时间后能达到最优卸载策略,并给出其在两种典型MEC场景下的性能界。针对使用无线能量传输捕获环境射频信号为IoT电池充电的IoT设备进行了仿真。仿真结果表明,与基准的基于Q学习的卸载相比,快速DQN卸载方案在动态MEC中降低了能耗、减少了计算延迟和任务丢弃率,并提升了IoT设备的效用。
引用
@article{arxiv.1712.08768,
title = {Learning-Based Computation Offloading for IoT Devices with Energy Harvesting},
author = {Minghui Min and Dongjin Xu and Liang Xiao and Yuliang Tang and Di Wu},
journal= {arXiv preprint arXiv:1712.08768},
year = {2017}
}