Conceitos Básicos
本論文では、時変するエッジコンピューティングデバイスの計算能力を考慮し、深層強化学習を用いてタスクグラフのオフロードスケジューリングを最適化することで、ユーザ体験の向上を図る。
Resumo
本論文では、モバイルエッジコンピューティング(MEC)システムにおけるタスクグラフのオフロードスケジューリング問題を扱っている。
- MEC システムは、モバイルネットワークの端末に配置された小規模なデバイスで構成され、ユーザの低遅延要求を満たすことができる。
- しかし、エッジデバイスの計算能力が時間とともに変動するため、従来の専門知識や正確な分析モデルに依存するアプローチでは、動的な環境変化に適応できず、ユーザ体験の低下を招く。
- そこで本論文では、深層強化学習を用いて、エッジデバイスの時変する計算能力を考慮したタスクグラフのオフロードスケジューリング戦略を提案する。
- 具体的には、タスクグラフのスケジューリングをマルコフ決定過程(MDP)としてモデル化し、深層Q学習(DQN)アルゴリズムを用いて最適なスケジューリング戦略を学習する。
- 提案手法は、既存手法と比較して、平均完了時間とデッドラインの違反を大幅に削減できることを示している。
Estatísticas
タスクvniの実行時間E(xni)は、
E(xni) = ρni / δm * xm
ni
タスクvniとvnjの間のデータ転送時間T(xni, xnj)は、
T(xni, xnj) = enij / Bm,m' * xm
ni * xm'
nj
アプリケーションnの完了時間Ψnは、
Ψn = max
vni∈Vn F(xni) - rn
Citações
"深層強化学習(DRL)は、動的な環境下で順次的な決定を適応的かつ柔軟に行うことができる有望な手法であり、専門知識を必要としない。"
"本論文では、DRLを用いて、エッジデバイスの時変する計算能力を考慮したタスクグラフのオフロードスケジューリング戦略を提案する。"