.png){kind=icon}
返回
Multidimensional resource load-aware task migration in mobile edge computing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.future.2025.108091.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 本文提出了一种模型，用于最小化负载不均衡并确保多用户 MEC 中具有复杂依赖关系的任务流程按时完成。
• 本文设计了一个 GRU-2LSTM 混合模型，用于实时用户移动预测，结合了 LSTM 的长期和 GRU 的短期效率。
• 本文开发了 FMADDPG，一种联邦深度强化学习算法，用于优化 MEC 中的任务流程迁移和资源分配。
• 仿真结果表明，本策略将负载不均衡降低 10%–20%，超时率降低 7%–27%，优于现有方法。
Keyword:
MEC
load imbalance
workflow completion
GRU-2LSTM
federated deep reinforcement learning
期刊
F
IF:
0
论文数:
642
被引数:
0
机构
暂无机构信息
引用论文
分享收藏Latency and Energy-Aware Load Balancing in Cloud Data Centers: A Bargaining Game Based Approach
PREAI
分享收藏DDPG-based optimal task placement strategy for computation offloading in green mobile edge networks绿色移动边缘网络中基于DDPG的计算卸载优化任务布局策略
PREAI
分享收藏分享收藏Applying Hybrid Lstm-Gru Model Based on Heterogeneous Data Sources for Traffic Speed Prediction in Urban Areas基于异构数据源的混合lstm-gru模型在城市交通速度预测中的应用.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Evaluating Pedestrian Trajectory Prediction Methods With Respect to Autonomous Driving评估与自动驾驶有关的行人轨迹预测方法
OAAI
OAAI分享收藏
查看更多内容