文献

J-GLOBAL ID：202002261897741904   整理番号：20A0831475

モバイルエッジコンピューティングのための多様な遅延感度を持つタスクの学習ベースのオフローディング【JST・京大機械翻訳】

Learning-Based Offloading of Tasks with Diverse Delay Sensitivities for Mobile Edge Computing

著者 (4件)： Zhang Tianyu (SOKENDAI (The Graduate University for Advanced Studies)) ,  Chiang Yi-Han (National Institute of Informatics) ,  Borcea Cristian (New Jersey Institute of Technology) ,  Ji Yusheng (National Institute of Informatics)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： GLOBECOM  ページ： 1-6  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 進化するモバイルアプリケーションは,より多くの計算資源をスムーズなユーザ経験に必要とし,時には遅延要求を満たす。したがって,移動装置(MDs)は,計算電力と電池寿命の制限により,時間的にすべての作業を完了することが徐々に困難になっている。この問題に対処するために,モバイルエッジコンピューティング(MEC)システムを,近傍エッジサーバにおけるMDsに対するタスク処理を支援するために作成した。既存の研究は,単純な遅延制約を有するものを含めて,MECタスクのオフロード問題を解決するために検討げられているが,それらのほとんどはデッドライン制約および遅延敏感タスク(すなわちタスクの多様な遅延感度)の共存を無視している。本論文では,デッドライン制約タスクのデッドラインミスと遅延に敏感なタスクの遅延によって引き起こされる総ペナルティを最小化するために,多様な遅延感度を考慮に入れたアクター臨界ベースの深い強化学習(ADRL)モデルを提案した。タスクの多様な遅延感度から成る実データセットを用いてADRLモデルを訓練した。著者らのシミュレーション結果は,提案した解法が全ペナルティの観点からいくつかの発見的アルゴリズムより優れていることを示して,それはまた異なるシステム設定の下でその性能利得を保持した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 時間制限 ,  強化学習 ,  電力 ,  *学習 ,  ペナルティ ,  利得 ,  *携帯電話 ,  シミュレーション ,  臨界
準シソーラス用語： 発見的アルゴリズム ,  電池寿命 ,  計算資源 ,  モバイルアプリケーション ,  *オフローディング , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： モバイル ,  エッジコンピューティング ,  遅延 ,  感度 ,  タスク ,  学習 ,  オフローディング