.png){kind=icon}
返回
Cost-Optimized Periodic DAG-Structured Task Offloading in Multi-User MEC Systems Using Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1145/3762993.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
强化学习（RL）因其在动态环境中的适应性和减少在线计算开销的能力，已成为任务卸载的一种有前景的解决方案。因此，本文探索了RL在多用户移动边缘计算（MEC）系统中优化周期性有向无环图（DAG）任务卸载的应用，旨在最小化总体成本，包括用户设备能耗和服务器计算费用。本文的关键贡献在于明确建模了用户对有限边缘资源的竞争，其中并发访问导致动态争用，显著影响卸载延迟和能耗。然而，该优化任务面临两个主要挑战：任务状态的高维性和动作空间过大，两者均增加了学习复杂度。为解决此问题，我们提出了一种动态分布式基于近端策略优化（PPO）的卸载框架。采用编码器将DAG节点特征和结构信息映射到低维表示，以减少计算开销并提高学习效率。此外，我们引入行为克隆来模仿贪婪策略作为PPO代理的初始行为，有效缩小动作空间并加速收敛。通过结合表示学习和基于模仿的初始化，我们的方法使PPO代理能够快速适应环境动态，利用先验知识和实时反馈做出明智的卸载决策。仿真结果表明，该方法实现快速收敛，并在成本降低方面优于现有基线，证明了其在MEC场景下周期性任务卸载中的有效性。源代码和实现细节可在以下地址获取：https://github.com/xiaolutihua/GAT/tree/master.
Keyword:
Cost efficient
MEC
periodic DAG-based application
task offloading optimization
期刊
IF:
4.1
论文数:
896
被引数:
1.9K
机构
引用论文
.png){kind=icon}
Joint Service Caching and Task Offloading in Multi-Access Edge Computing: A QoE-Based Utility Optimization Approach多接入边缘计算中的联合服务缓存和任务卸载: 一种基于QoE的效用优化方法
PREAI
分享收藏Online Computation Offloading and Resource Scheduling in Mobile-Edge Computing移动边缘计算中的在线计算卸载和资源调度
PREAI
分享收藏Distributed and individualized computation offloading optimization in a fog computing environment
PREAI
分享收藏Joint Task Offloading and Resource Allocation for Multi-Server Mobile-Edge Computing Networks多服务器移动边缘计算网络的联合任务卸载和资源分配
OAAI
OAAI分享收藏Joint Task Offloading and Resource Allocation for NOMA-Enabled Multi-Access Mobile Edge Computing
PREAI
分享收藏Reinforcement Learning Methods for Computation Offloading: A Systematic Review计算卸载的强化学习方法: 系统综述
PREAI
分享收藏
查看更多内容