Core Concepts
강화학습은 모바일 엣지 컴퓨팅 네트워크에서 사용자 행동과 네트워크 역학을 깊이 이해하고 컴퓨팅 및 통신 프로세스의 자원 사용을 최적화할 수 있다.
Abstract
이 논문은 모바일 엣지 컴퓨팅(MEC) 네트워크에서 강화학습(RL) 기술의 광범위한 활용을 다룹니다. 먼저 RL의 기본 원리부터 최신 고급 프레임워크까지 개괄적으로 소개합니다. 이어서 MEC 네트워크 내에서 오프로딩, 캐싱, 통신 등에 활용되는 다양한 RL 전략을 설명합니다. 마지막으로 소프트웨어/하드웨어 플랫폼, 표현력, RL 강건성, 안전한 RL, 대규모 스케줄링, 일반화, 보안 및 프라이버시 등 해결해야 할 과제와 이를 해결하기 위한 구체적인 RL 기법을 제안하고 실용적인 적용 방안을 제시합니다.
Stats
5G 네트워크는 Tbit/s 수준의 피크 전송률, 10-100 Gbit/s의 체감 전송률, 그리고 밀리초 수준의 지연시간을 제공할 수 있다.
모바일 엣지 컴퓨팅은 낮은 지연시간, 높은 데이터 전송률, 신뢰성, 효율성, 보안 등의 요구사항을 해결해야 한다.
Quotes
"강화학습은 동적이고 불확실한 MEC 네트워크에서 적응적으로 의사결정을 수행하고 적용할 수 있다."
"강화학습 에이전트는 환경과 상호작용하며 동적 인식과 예측 환경 불확실성을 높일 수 있다."
"강화학습은 비볼록 최적화 문제를 직접 해결할 수 있는 엔드-투-엔드 최적화를 수행한다."