对抗环境下基于学习的去中心化卸载决策
机器学习
2021-09-07 v3 信息论
math.IT
摘要
车辆雾计算（VFC）将云计算能力推送至互联网边缘的分布式雾节点，通过任务卸载为车辆提供计算密集且延迟敏感的计算服务。然而，异构移动环境在资源供给与需求方面引入了不确定性，这些不确定性是最优卸载决策不可避免的瓶颈。同时，这些不确定性给茫然对手攻击下的任务卸载以及数据隐私风险带来了额外挑战。在本文中，我们基于对抗多臂老虎机理论开发了一种带强盗反馈的对抗在线学习算法，以实现可扩展且低复杂度的卸载决策。具体而言，我们聚焦于优化雾节点选择，旨在最小化延迟与能耗方面的卸载服务成本。关键在于隐式地调整选择过程中的探索奖励以及所设计算法的评估规则，同时考虑易变的资源供需。我们从理论上证明，依赖于输入规模的选择规则能够在无需探索次优动作的情况下选择合适的雾节点，且恰当的得分修补规则能够快速适应演化环境，从而同时降低方差与偏差，实现更好的利用-探索平衡。仿真结果验证了所提算法的有效性与鲁棒性。
引用
@article{arxiv.2104.12827,
title = {Learning-based decentralized offloading decision making in an adversarial environment},
author = {Byungjin Cho and Yu Xiao},
journal= {arXiv preprint arXiv:2104.12827},
year = {2021}
}
备注
Accepted to appear in IEEE TVT