基于深度强化学习的移动边缘计算性能优化
网络与互联网体系结构
2018-04-03 v1
摘要
为提升移动设备的计算体验质量，移动边缘计算（MEC）通过在邻近的无线接入网内提供计算能力，正成为一种有前景的范式。然而，MEC 系统计算卸载策略的设计仍具挑战性。具体而言，对于到达的计算任务，是在本地移动设备上执行还是卸载至云端执行，应以更智能的方式适应环境动态。本文考虑超密集网络中代表性移动用户的 MEC，其中可从多个基站（BS）中选择一个进行任务卸载。求解最优计算卸载策略的问题被建模为马尔可夫决策过程，其目标是最小化长期代价，且卸载决策基于移动用户与各 BS 间的信道质量、能量队列状态以及任务队列状态作出。为打破状态空间的高维诅咒，我们提出了一种基于深度 网络的策略性计算卸载算法，以在无需动态统计先验知识的情况下学习最优策略。本文的数值实验表明，与基线策略相比，所提算法在平均代价上实现了显著改善。
引用
@article{arxiv.1804.00514,
title = {Performance Optimization in Mobile-Edge Computing via Deep Reinforcement Learning},
author = {Xianfu Chen and Honggang Zhang and Celimuge Wu and Shiwen Mao and Yusheng Ji and Mehdi Bennis},
journal= {arXiv preprint arXiv:1804.00514},
year = {2018}
}