Fairness-aware throughput maximization based on network function parallelism in MEC using deep reinforcement learning

doi:10.1007/s00607-025-01525-9

Fairness-aware throughput maximization based on network function parallelism in MEC using deep reinforcement learning

2025-08-13

0

PRE

AI

Y

Yanli Wang *

DOI：10.1007/s00607-025-01525-9

原文链接

原文求助

摘要

En 中文

在移动边缘计算（MEC）中，高效的资源分配和最优的服务功能链（SFC）组装是网络功能虚拟化（NFV）中的关键挑战。并行化网络功能可以缓解因虚拟网络功能（VNF）数量增加而引起的高延迟。然而，现有方法在进行SFC组装时通常假设资源需求是静态的，这可能无法反映真实场景。为解决此局限性，本文提出了一种基于深度强化学习（DRL）的框架，在考虑资源需求波动的同时动态优化网络功能并行度。所提出的策略将问题建模为公平性感知的吞吐量最大化任务，确保资源分配均衡和服务效率提升。通过利用基于学习的策略，我们的方法能够适应动态网络条件，减少服务部署延迟并增强整体性能。大量仿真结果表明，与当前最佳的方法相比，我们的策略在平均延迟和部署率方面分别提升了4.3%和1.98%。

Keyword:

Mobile edge computing

Network Function Virtualization

Service Function Chain

Network Function Parallelism

Fairness-aware optimization

Deep Reinforcement Learning

Fairness-aware throughput maximization based on network function parallelism in MEC using deep reinforcement learning

摘要

期刊

机构

引用论文