.png){kind=icon}
返回
An edge computing offloading strategy based on multi-dimensional attributes and distributed deep learning
.png){kind=icon}
PRE
AI
DOI：10.1504/IJSNET.2026.151235.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着智能终端设备的爆炸式增长和对低延迟敏感应用的广泛采用，传统云计算模型难以满足超低延迟和高隐私保护的需求。因此，本文提出了一种基于任务、设备和环境属性的多维联合建模的分布式深度强化学习卸载策略。构建了整合多维属性的状态空间，以实现对系统状态的全面感知；设计了分布式异步深度Q网络框架，通过多边缘节点的本地模型协同训练实现知识共享。实验结果表明，该方法可将平均任务处理延迟降低4.8%，整体系统能耗降低5.3%。本研究为资源受限的边缘场景下的计算卸载提供了一种平衡效率与能耗的实用解决方案。
Keyword:
multi-dimensional attributes
distributed
deep learning
edge computing offloading
