Task Offloading in Computing Power Network: A Graph Reinforcement Learning Approach

doi:10.1109/jiot.2026.3742019

Task Offloading in Computing Power Network: A Graph Reinforcement Learning Approach

2026-10-13

0

PRE

AI

DOI：10.1109/jiot.2026.3742019

原文链接

原文求助

摘要

En 中文

计算力网络（CPN）是一种新兴范式，通过整合并协同管理计算和网络资源，超越了移动边缘计算（MEC），从而解决了MEC在庞大物联网（IoT）场景下对网络波动适应性有限的问题。然而，CPN中任务卸载的现有研究往往未能充分挖掘网络拓扑结构对卸载决策的影响，阻碍了拓扑感知计算-网络特征的表现，进而导致在复杂拓扑结构下产生次优卸载方案。为解决上述挑战，我们提出了一种基于图强化学习的任务卸载方法，称为TO-GRAS，用于CPN环境，该方法匹配最优边缘节点并规划任务的最优路由路径。具体而言，TO-GRAS首先引入图神经网络（GNN）来表现CPN的拓扑结构，并采用深度强化学习（DRL）确定计算任务方案。随后，TO-GRAS基于实时网络状态推导出路由规划方案。在运行期间，计算任务方案和路由规划方案通过多轮交替调整，迭代实现最优任务卸载。仿真实验验证了TO-GRAS在复杂拓扑结构下的有效性和适应性。此外，与当前先进方法相比，TO-GRAS分别降低了0.82%–25.21%的平均响应时间和1.80%–24.79%的平均能耗。

Keyword:

Mobile Internet of Things

computing power network

mobile edge computing

task offloading

graph neural network

deep reinforcement learning

Task Offloading in Computing Power Network: A Graph Reinforcement Learning Approach

摘要

期刊

机构

引用论文