面向协作边缘计算的社会福利最大化：一种基于深度强化学习的方法
网络与互联网体系结构
2022-11-15 v1
摘要
协作边缘计算（CEC）是一种通过将计算任务从繁忙的边缘服务器（ES）卸载到空闲边缘服务器来提升移动边缘计算（MEC）系统性能的有效方法。然而，边缘服务器通常属于不同的MEC服务提供商，因此它们没有帮助他人的动机。为激励它们之间的合作，本文提出一种协作机制，使空闲边缘服务器可通过共享其闲置计算资源获得额外收益。为实现最优资源分配，我们将社会福利最大化问题建模为马尔可夫决策过程（MDP），并将其分解为涉及卸载任务分配与执行的两个阶段。第一阶段通过扩展著名的深度确定性策略梯度（DDPG）算法求解。对于第二阶段，我们首先证明只需决定任务的处理顺序与所利用的计算资源；随后分别提出一种动态规划算法和一种基于深度强化学习（DRL）的算法来求解这两类决策。数值结果表明，我们的算法在各种情形下均能显著提升社会福利。
引用
@article{arxiv.2211.06861,
title = {Social Welfare Maximization for Collaborative Edge Computing: A Deep Reinforcement Learning-Based Approach},
author = {Xingqiu He and Yuhang Shen and Hongxi Zhu and Sheng Wang and Chaoqun You and Tony Q. S. Quek},
journal= {arXiv preprint arXiv:2211.06861},
year = {2022}
}