基于线性 bandits 中分布式最佳臂识别的小细胞网络服务放置
网络与互联网体系结构
2026-04-08 v2 分布式、并行与集群计算
机器学习
摘要
随着小细胞网络中用户对计算密集型服务的依赖日益增加，云端访问常常导致高延迟。多接入边缘计算 (MEC) 通过将计算资源置于靠近终端用户的位置来缓解这一问题，使小基站 (SBS) 充当边缘服务器，实现低延迟的服务交付。然而，受限的边缘容量使得在服务需求未知且网络条件动态变化的情况下，决定将哪些服务部署在本地而非云端提出了挑战。为解决此问题，我们将服务需求建模为服务属性的线性函数，并将服务放置任务形式化为线性 bandits 问题，其中 SBS 充当智能体，服务充当臂。目标是识别在边缘部署时，相较于云端部署，能为总用户延迟降低最多的服务。我们提出一种在固定置信度设置下进行的分布式自适应多智能体最佳臂识别 (BAI) 算法，SBS 之间协作以加速学习。仿真结果表明，本算法以所需置信度识别最优服务，并实现接近最优的加速效果，学习轮数随 SBS 数量成比例减少。我们还对算法的样本复杂度和通信开销进行了理论分析。
引用
@article{arxiv.2506.22480,
title = {Service Placement in Small Cell Networks Using Distributed Best Arm Identification in Linear Bandits},
author = {Mariam Yahya and Aydin Sezgin and Setareh Maghsudi},
journal= {arXiv preprint arXiv:2506.22480},
year = {2026}
}