Die Studie beschäftigt sich mit der Platzierung von Anwendungen in Mobile Edge Computing-Servern, was eine komplexe Herausforderung mit vielen Servern, Benutzern und deren Anfragen darstellt. Bestehende Algorithmen benötigen lange Rechenzeiten, um hochdimensionale Probleme mit erheblichen Unsicherheitsszenarien zu lösen. Daher ist ein effizienter Ansatz erforderlich, um die Dienstqualität zu maximieren und gleichzeitig alle technischen Einschränkungen zu berücksichtigen.
Einer dieser Ansätze ist maschinelles Lernen, das optimale Lösungen für die Anwendungsplatzierung in Edge-Servern nachahmt. Maschinenlernmodelle sollen lernen, wie Benutzeranfragen basierend auf den räumlichen Positionen von Benutzern und Servern den Servern zuzuweisen sind. In dieser Studie wird das Problem als zweistufiges stochastisches Programmieren formuliert. Es werden ausreichend Trainingsdatensätze durch Variation von Parametern wie Benutzerstandorten und deren Anforderungsraten generiert und das Optimierungsmodell gelöst. Basierend auf den Abstandsmerkmalen jedes Benutzers von den verfügbaren Servern und deren Anforderungsraten erzeugen Maschinenlernmodelle wie Support Vector Machines (SVM) und Multi-Layer Perceptron (MLP) Entscheidungsvariablen für die erste Stufe des stochastischen Optimierungsmodells, die Zuweisung von Benutzeranfragen zu Servern, und werden als unabhängige Entscheidungsagenten eingesetzt, die die Optimierungsmodelle zuverlässig nachahmen.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問