关于联合优化部分卸载与 SFC 映射：一种协作双智能体深度强化学习方法
人工智能
2022-05-23 v1 机器学习
网络与互联网体系结构
摘要
多接入边缘计算（MEC）与网络功能虚拟化（NFV）是支撑新兴物联网应用（尤其是计算密集型应用）的有前景技术。在支持 NFV 的 MEC 环境中，服务功能链（SFC，即一组有序的虚拟网络功能（VNF））可映射至 MEC 服务器。移动设备（MD）可将由 SFC 表示的计算密集型应用全部或部分卸载至 MEC 服务器进行远程执行。本文研究支持 NFV 的 MEC 系统中的部分卸载与 SFC 映射联合优化（POSMJO）问题，其中到达的任务可被划分为两部分，一部分本地执行，另一部分远程执行。目标是长期最小化由执行延迟、MD 能耗与边缘计算使用费用组合而成的平均代价。该问题由两个紧密相关的决策步骤组成，即任务划分与 VNF 放置，极具复杂性且相当挑战。为此，我们提出协作双智能体深度强化学习（CDADRL）算法，其中设计了使两个智能体交互的框架。仿真结果表明，所提算法在累积与平均回合奖励方面优于三种深度强化学习算法组合，并在执行延迟、能耗与使用费用上优于若干基线算法。
引用
@article{arxiv.2205.09925,
title = {On Jointly Optimizing Partial Offloading and SFC Mapping: A Cooperative Dual-agent Deep Reinforcement Learning Approach},
author = {Xinhan Wang and Huanlai Xing and Fuhong Song and Shouxi Luo and Penglin Dai and Bowen Zhao},
journal= {arXiv preprint arXiv:2205.09925},
year = {2022}
}