论文阅读06-Task Offloading Optimization in Mobile Edge Computing based on Deep Reinforcement Learning

这篇具有很好参考价值的文章主要介绍了论文阅读06-Task Offloading Optimization in Mobile Edge Computing based on Deep Reinforcement Learning。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

标题:Task Offloading Optimization in Mobile Edge Computing based on Deep Reinforcement Learning

会议:MSWiM ’23 (CCF-C)

注:本文仅用户学习。

一、知识梳理

问题:边缘计算可以很好地缓解云计算网络拥塞和高通信开销等问题。然而,考虑到边缘计算资源是有限的,需要采用合理的优化策略提高首先资源的利用率。

模型:为解决上述问题,本文提出了一个agent辅助管理用户卸载的计算卸载方案,在考虑到电能、计算和通信约束下做出智能决策。目的是最小化实验和能耗的加权和,优化策略是卸载策略。

算法:Advantage Actor-Critic (A2C)算法。

二、模型介绍

该框架包含一个agent,M个Edge Servers (ESs)和N Mobile Devices (MDs),其中M={1,2,...m,...,M},N={1,2,...,n,...,N}。

dependent task offloading for edge computing based on deep reinforcement lea,论文,论文阅读

2.1 本地计算

MD n 本地计算的时延和能耗可以表示为:

其中Dn表示任务量大小,表示设备n每秒CPU的周期数,表示每CPU周期数产生的能耗。因此,本地计算的总成本为:

dependent task offloading for edge computing based on deep reinforcement lea,论文,论文阅读
其中dependent task offloading for edge computing based on deep reinforcement lea,论文,论文阅读

2.2 边缘计算

MD n的任务卸载给ES m的上行传输时延和能耗为:

    

其中表示卸载数据量的大小,表示设备传输功率。然后,ES m的处理时延为:

同时,MD在空闲时的功耗为:

其中,表示ES m的总计算资源量,表示卸载到ES m的任务数目量,表示计算的CPU周期数,表示空闲功耗。此外,任务结果下行的传输时延和设备空闲功耗为:

其中表示计算的结果大小,表示下载的功耗。任务的总时延和总能耗为:

dependent task offloading for edge computing based on deep reinforcement lea,论文,论文阅读

dependent task offloading for edge computing based on deep reinforcement lea,论文,论文阅读

因此,最后的总成本为:
dependent task offloading for edge computing based on deep reinforcement lea,论文,论文阅读
则计算卸载决策所产生的总成本为:

由此可知。因此,MEC系统的平均成本和最坏情况的成本为:

2.3 问题公式

总成本的优化目标为:

dependent task offloading for edge computing based on deep reinforcement lea,论文,论文阅读

2.4问题转化

上述问题转为MDP问题为:

状态空间:表示状态空间,包含所有请求的任务。其中, (生成的计算任务量,计算结果大小,所需的CPU周期数,时延权重,能耗权重)

动作空间:,表示动作空间。

转台转移矩阵: 表示转移概率分布 dependent task offloading for edge computing based on deep reinforcement lea,论文,论文阅读

奖励函数:,最大化成本的负奖励。

三、代码

代码:https://github.com/Carlos-Marques/rl-MEC-scheduler文章来源地址https://www.toymoban.com/news/detail-831704.html

到了这里,关于论文阅读06-Task Offloading Optimization in Mobile Edge Computing based on Deep Reinforcement Learning的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【论文阅读】Dynamic Split Computing for Efficient Deep Edge Intelligence

    作者:Arian Bakhtiarnia, Nemanja Milošević, Qi Zhang, Dragana Bajović, Alexandros Iosifidis 发表会议: ICML 2022 DyNN Workshop ICASSP 2023 发表单位: ∗DIGIT, Department of Electrical and Computer Engineering, Aarhus University, Denmark. †Faculty of Sciences, University of Novi Sad, Serbia. ‡Faculty of Technical Sciences, University of N

    2024年02月11日
    浏览(61)
  • 【边缘计算概念】MEC(Mobile Edge Computing边缘计算技术)

    MEC ,从字面上直观理解就能知道,这是一种运用在 移动通信系统 (Mobile), 边缘节点 (Edge),并 承担大量计算任务 (Computer)的玩意儿。 边缘计算技术(Mobile Edge Computing) 是 ICT 融合的产物,结合日渐成熟的 SDN/NFV 、大数据、人工智能等技术,5G网络成为各行业数字化转

    2024年02月16日
    浏览(45)
  • 论文阅读——Loss odyssey in medical image segmentation

    Loss odyssey in medical image segmentation github:https://github.com/JunMa11/SegLossOdyssey 这篇文章回顾了医学图像分割中的20种不同的损失函数,旨在回答:对于医学图像分割任务,我们应该选择哪种损失函数? 首先是一张各类分割函数的图谱: 介绍函数之前先定义字母符号的含义: , 分别

    2024年02月04日
    浏览(50)
  • 《论文阅读07》Segment Anything in 3D with NeRFs

    研究领域:图像分割(3D) 论文:Segment Anything in 3D with NeRFs Submitted on 24 Apr 2023 (v1), last revised 1 Jun 2023 (this version, v3) Computer Vision and Pattern Recognition (cs.CV) nvos数据集 论文链接 使用NeRFs在3D中分割任何内容 摘要 最近,Segment Anything Model(SAM)作为一种强大的视觉基础模型出现,它能

    2024年02月16日
    浏览(47)
  • 伪装目标检测模型论文阅读之:Zoom in and out

    论文链接:https://arxiv.org/abs/2203.02688 代码;https://github.com/lartpang/zoomnet 最近提出的遮挡对象检测(COD)试图分割视觉上与其周围环境融合的对象,这在现实场景中是非常复杂和困难的。除了与它们的背景具有高度的内在相似性之外,这些对象通常在尺度上是多样的,外观上是模

    2024年01月16日
    浏览(48)
  • 论文阅读--Energy efficiency in heterogeneous wireless access networks

    论文信息:Navaratnarajah S, Saeed A, Dianati M, et al. Energy efficiency in heterogeneous wireless access networks[J]. IEEE wireless communications, 2013, 20(5): 37-43.   本文提出了无线接入网节能的重要方面。我们特别关注最近发展的异构网络(HetNets)中的节能机会,包括单RAT和多RAT。(RAT无线接入技术)。

    2024年02月05日
    浏览(46)
  • [论文阅读] Revisiting Feature Propagation and Aggregation in Polyp Segmentation

    [论文地址] [代码] [MICCAI 23] Abstract 息肉的准确分割是筛查过程中有效诊断结直肠癌的关键步骤。 由于能够有效捕获多尺度上下文信息,普遍采用类似UNet 的编码器-解码器框架。 然而,两个主要限制阻碍了网络实现有效的特征传播和聚合。 首先,跳跃连接仅将单个尺度特征传

    2024年02月02日
    浏览(73)
  • SimVODIS++: Neural Semantic Visual Odometry in Dynamic Environments 论文阅读

    题目 :SimVODIS++: Neural Semantic Visual Odometry in Dynamic Environments 作者 :Ue-Hwan Kim , Se-Ho Kim , and Jong-Hwan Kim , Fellow, IEEE 时间 :2022 来源 : IEEE ROBOTICS AND AUTOMATION LETTERS(RAL) 语义的缺乏和动态对象导致的性能下降阻碍了其在现实场景中的应用。 为了克服这些限制,我们在Simultanero

    2024年02月09日
    浏览(41)
  • 【论文阅读】Fair and Efficient Gossip in Hyperledger Fabric -- ICDCS

    受许可的区块链由已识别但单独不可信的节点支持,这些节点共同维护一个复制的分类账,其内容是可信的。Hyperledger Fabric允许区块链系统的目标是高吞吐量的事务处理。Fabric使用一组节点来执行使用共识的事务排序任务。另外的对等点批准和验证事务,并维护分类帐的副本

    2023年04月09日
    浏览(39)
  • 【论文阅读笔记】Endoscopic navigation in the absence of CT imaging

      上一篇的导航导论,是需要先验,也就是需要事先拍摄堆叠的图片(比如CT图等),在体外构建相应的3D模型,再与内窥镜图像进行实时匹配。对于很多情况来说,是无法拥有如此充足的先验的。所以,本文探索的是没有额外CT图像的一个内窥镜导航算法,应用场景是鼻腔

    2024年02月11日
    浏览(51)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包