Dynamische Ressourcenzuweisung für Task-Graphen in Mobile Edge Computing durch Deep Reinforcement Learning
Ein Deep-Reinforcement-Learning-basierter Algorithmus wird entwickelt, um die Ausführung von Task-Graphen in einem dynamischen Mobile-Edge-Computing-Umfeld zu optimieren und die Nutzererfahrung zu verbessern.
Optimale Steuerung der Spitzen-Informationsalterung in MEC-Systemen: Berechnung mit und ohne Vorrangunterbrechung
In diesem Artikel wird das Problem der Minimierung der durchschnittlichen Spitzen-Informationsalterung (PAoI) in MEC-Systemen untersucht, wobei sowohl die Übertragungszeit als auch die Rechenzeit berücksichtigt werden. Es werden zwei Servereinrichtungen betrachtet: mit und ohne Vorrangunterbrechung. Für beide Fälle werden die optimalen Richtlinien hergeleitet.
Optimizing Peak Age of Information in Mobile Edge Computing Systems: Analyzing the Impact of Computing Preemption and Non-preemption
The core message of this article is to determine the optimal scheduling policy to minimize the average peak age of information (PAoI) in mobile edge computing (MEC) systems, considering both transmission and computation times. The authors analyze two edge server setups: computing preemption, where a new packet can preempt the current computing process, and non-preemption, where a new packet has to wait until the current one completes computing.
Anwendungsplatzierung in Mobile Edge Computing unter Unsicherheit: Eine lernbasierte Lösungsansatz
Durch den Einsatz von Maschinenlernmodellen wie SVM und MLP können die Entscheidungsvariablen für die Zuweisung von Benutzeranfragen an Edge-Server zuverlässig nachgeahmt und somit die Lösungszeiten im Vergleich zu herkömmlichen Ansätzen deutlich verkürzt werden.
© 2024 by Linnk AI