部分的可観測多霧ネットワークにおける深層再帰強化学習による異種タスクオフローディングとリソース割当【JST・京大機械翻訳】

Baek Jungyeon; Kaddoum Georges

プレプリント

J-GLOBAL ID：202202219642107875 整理番号：22P0173377

部分的可観測多霧ネットワークにおける深層再帰強化学習による異種タスクオフローディングとリソース割当【JST・京大機械翻訳】

Heterogeneous Task Offloading and Resource Allocations via Deep Recurrent Reinforcement Learning in Partial Observable Multi-Fog Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2020年07月20日プレプリントサーバーでの情報更新日： 2020年07月20日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

無線サービスとアプリケーションは,より精巧で,より高速かつ高容量ネットワークを必要とするので,各アプリケーションの要件に基づくますます複雑なタスクの実行の効率的管理の必要性がある。この点に関して,霧コンピューティングは仮想化サーバをネットワークに統合し,エンドデバイスに近いクラウドサービスをもたらす。クラウドサーバとは対照的に,霧ノードの計算容量は制限され,従って単一霧ノードは計算集約的タスクのできないかもしれない。この文脈において,タスクオフロードは,ユーザのサービス品質(QoS)要求を保証しながら,適切なノードと適切な資源管理を選択することによって,霧ノードで特に有用である。本論文は,マルチフォッグノードシステムにおける異種サービスタスクのための共同作業オフロードと資源割当て制御の設計を研究した。この問題は部分的に観測可能な確率的ゲームとして定式化され,その中で各霧ノードは集合した局所報酬を最大化するように協調し,ノードは局所観測にアクセスするだけである。部分可観測性に対処するために,著者らは,最適値関数を近似するために,深い再帰Qネットワーク(DRQN)アプローチを適用した。次に,解を,異なるニューラルネットワークの性能を評価するために,深いQネットワーク(DQN)および深い畳込みQネットワーク(DCQN)アプローチと比較した。さらに,ニューラルネットワークの収束と精度を保証するために,調整探査開発法を採用した。与えられた数値結果は,提案したアルゴリズムがベースライン法よりも高い平均成功率とより低い平均オーバフローを達成できることを示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

計算機網

, , , , , ,

前のページに戻る