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.
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.
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.
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.