Real-Time Task Offloading With Task-Level Multi-Agent Transformer in Heterogeneous Multi-Access Edge Computing

doi:10.1109/tcc.2026.3741463

Real-Time Task Offloading With Task-Level Multi-Agent Transformer in Heterogeneous Multi-Access Edge Computing

2026-10-08

0

PRE

AI

DOI：10.1109/tcc.2026.3741463

原文链接

原文求助

摘要

En 中文

多接入边缘计算（MEC）作为一种新兴范式，将云计算能力扩展至网络边缘。它通过在移动设备（MDs）附近部署计算、存储和通信资源，支持运行在MDs上的实时和截止时间敏感型应用，从而提高异构MEC系统中的服务可靠性和响应能力。然而，异构MEC系统中的实时任务卸载仍面临巨大挑战，原因在于动态无线环境、异构MD能力、MD间的资源竞争以及有限MEC资源下的严格截止时间约束。因此，最优任务卸载成为MEC系统中的关键且复杂的问题。现有的多智能体深度强化学习（MADRL）基卸载方法通常遵循集中训练与分布式执行（CTDE）范式，其中MDs基于显式参数共享和聚合本地观测更新策略，常导致次优卸载决策和过高的计算开销。为解决这些限制，我们提出了一种新颖的MADRL基卸载方法TMAT-O，将集中训练与集中执行（CTCE）与任务级多智能体Transformer（TMAT）相结合。技术上，实时卸载问题被建模为多智能体马尔可夫决策过程（MMDP），并通过所提出的TMAT求解。通过利用自注意力机制和自回归序列建模，TMAT在集中式序列任务决策中学习全局任务级依赖关系，从而推导出更有效的卸载策略。大量仿真结果表明，TMAT-O在各类MEC配置下均优于代表性基线方法，任务完成时间最小减少2.2%，同时持续降低截止时间遗漏率。

Keyword:

Heterogeneous multi-access edge computing

multi-agent transformer

real-time task offloading

Real-Time Task Offloading With Task-Level Multi-Agent Transformer in Heterogeneous Multi-Access Edge Computing

摘要

期刊

机构

引用论文