基于云的无线网络中计算资源分配的强化学习
人工智能
2020-10-13 v1 机器学习
摘要
用于物联网（IoT）的无线网络预计将大量涉及基于云的计算与处理。云中软化为软件化的集中式信号处理与网络交换实现了灵活的网络控制与管理。在云环境中，动态计算资源分配对于在保持处理性能的同时节省能耗至关重要。CPU 负载变化的随机特性以及云进程可能的复杂并行情形，使得动态资源分配成为一个有趣的研究挑战。本文将此动态计算资源分配问题建模为马尔可夫决策过程（MDP），并设计了一个基于模型的强化学习智能体来优化 CPU 使用的动态资源分配。强化学习智能体使用值迭代方法在 MDP 中选取最优策略。为评估性能，我们分析了可用于基于云的 IoT 网络且具有不同并行能力的两类进程，即软件定义无线电（SDR）与软件定义网络（SDN）。结果表明，我们的智能体快速收敛至最优策略，在不同参数设置下表现稳定，并在不同场景的节能方面优于或至少等同于基线算法。
引用
@article{arxiv.2010.05024,
title = {Reinforcement Learning on Computational Resource Allocation of Cloud-based Wireless Networks},
author = {Beiran Chen and Yi Zhang and George Iosifidis and Mingming Liu},
journal= {arXiv preprint arXiv:2010.05024},
year = {2020}
}
备注
This paper has been accepted by the IEEE 6th World Forum on Internet of Things conference