面向车载边缘计算的任务复制：一种基于组合多臂老虎机的方法
信息论
2018-07-17 v1 math.IT
摘要
在车载边缘计算（VEC）系统中，一些具有冗余计算资源的车辆可为其他车辆或行人提供计算任务卸载机会。然而，车载网络高度动态，具有快速变化的信道状态与计算负载。这些动态难以建模或预测，但对任务卸载的服务质量（QoS）包括时延性能与服务可靠性有重大影响。同时，由于车辆高密度，VEC 中的计算资源往往冗余。为提升 VEC 的 QoS 并利用车辆上丰富的计算资源，我们提出一种基于组合多臂老虎机（CMAB）理论、以最小化平均卸载时延为目标的基于学习的任务复制算法（LTRA）。LTRA 使多辆车同时处理同一任务的副本，且需要计算服务的车辆可在卸载任务时学习其他车辆的时延性能。我们考虑车辆的出现时间，重新设计了现有 CMAB 算法的效用函数，使 LTRA 能适应 VEC 时变网络拓扑。我们利用真实高速公路场景通过仿真评估 LTRA 的时延性能与服务可靠性，结果表明与单任务卸载相比，LTRA 能将截止时间 0.6 s 内的任务完成率从 80% 提升至 98%。
引用
@article{arxiv.1807.05718,
title = {Task Replication for Vehicular Edge Computing: A Combinatorial Multi-Armed Bandit based Approach},
author = {Yuxuan Sun and Jinhui Song and Sheng Zhou and Xueying Guo and Zhisheng Niu},
journal= {arXiv preprint arXiv:1807.05718},
year = {2018}
}
备注
7 pages, 5 figures, accepted by IEEE Globecom'18