검색 기능은 준비 중입니다.
검색 기능은 준비 중입니다.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Resource Allocation for Mobile Edge Computing System Considering User Mobility with Deep Reinforcement Learning 심층 강화 학습을 통한 사용자 이동성을 고려한 모바일 엣지 컴퓨팅 시스템의 자원 할당

Kairi TOKUDA, Takehiro SATO, Eiji OKI

  • 조회수

    0

  • 이것을 인용

요약 :

MEC(Mobile Edge Computing)는 클라우드 기능을 네트워크 엣지로 마이그레이션해 낮은 지연 시간이 필요한 서비스를 제공하는 핵심 기술이다. 제한된 컴퓨팅 리소스를 가진 모바일 사용자가 작업을 MEC 서버로 오프로드할 때 무선 채널의 잠재적인 낮은 품질에 주목해야 합니다. 전송 신뢰성을 향상시키기 위해서는 현재 채널 품질과 자원 경합을 고려하여 MEC 서버에서 자원 할당을 수행해야 한다. 이러한 리소스 할당을 해결하기 위해 심층 강화 학습(DRL) 접근 방식을 사용하는 여러 작업이 있습니다. 그러나 이러한 접근 방식은 작업을 오프로드하는 고정된 수의 사용자를 고려하며 사용자 이동성으로 인해 사용자 수가 달라지는 상황을 가정하지 않습니다. 본 논문에서는 사용자 수가 변화하는 상황에서 MEC 서버의 자원 할당 문제를 해결하는 온라인 학습 모델인 DMRA-D(Deep Reinforcement Learning Model for MEC Resource Allocation with Dummy)를 제안한다. DMRA-D는 더미 상태/작업을 채택하여 상태/작업 표현을 유지합니다. 따라서 DMRA-D는 작업 중 사용자 수의 변화에 ​​관계없이 하나의 모델을 계속해서 학습할 수 있습니다. 수치 결과에 따르면 DMRA-D는 사용자 수가 다양한 상황에서 학습을 계속하면서 작업 제출 성공률을 향상시키는 것으로 나타났습니다.

발행
IEICE TRANSACTIONS on Communications Vol.E107-B No.1 pp.173-184
발행일
2024/01/01
공개일
2023/10/06
온라인 ISSN
1745-1345
DOI
10.1587/transcom.2023EBP3043
원고의 종류
PAPER
범주
네트워크

작성자

Kairi TOKUDA
  Kyoto University
Takehiro SATO
  Kyoto University
Eiji OKI
  Kyoto University

키워드