文献

J-GLOBAL ID：202202250397612641   整理番号：22A1163611

深層強化学習による大規模モバイルエッジ計算のための効率的なオンライン計算オフローディングアプローチ【JST・京大機械翻訳】

An Efficient Online Computation Offloading Approach for Large-Scale Mobile Edge Computing via Deep Reinforcement Learning

著者 (7件)： Hu Zheyuan (State Key Laboratory of Virtual Reality Technology and Systems, and Beijing Advanced Innovation Center for Big Data and Brain Computing, School of Computer Science and Engineering, Beihang University, Beijing, China) ,  Niu Jianwei (State Key Laboratory of Virtual Reality Technology and Systems, and Beijing Advanced Innovation Center for Big Data and Brain Computing, School of Computer Science and Engineering, Beihang University, Beijing, China) ,  Ren Tao (Hangzhou Innovation Institute, Beihang University, Hangzhou, China) ,  Dai Bin (State Key Laboratory of Virtual Reality Technology and Systems, and Beijing Advanced Innovation Center for Big Data and Brain Computing, School of Computer Science and Engineering, Beihang University, Beijing, China) ,  Li Qingfeng (Hangzhou Innovation Institute, Beihang University, Hangzhou, China) ,  Xu Mingliang (School of Information Engineering, Zhengzhou University, Zhengzhou, China) ,  Das Sajal K. (Department of Computer Science, Missouri University of Science and Technology, Rolla, MO, USA)
資料名： IEEE Transactions on Services Computing  (IEEE Transactions on Services Computing)
巻： 15  号： 2  ページ： 669-683  発行年： 2022年 
JST資料番号： W2437A  ISSN： 1939-1374  資料種別： 逐次刊行物 (A)
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： モバイルエッジコンピューティング(MEC)は,無線ユーザデバイス(WUDs)の計算容量とモバイルアプリケーションの経験の質を効果的に強化できる有望なパラダイムとして想定されている。MECの最も重要な問題の1つは計算オフローディングであり,さらに集中的な計算のためにWUDsのタスクをエッジセバーにオフロードする方法を決定する。従来の数学的プログラミングベースオフロード手法は,時変チャネル条件(主にWUD移動度に起因する)により,動的MEC環境におけるトラブルに直面した。問題に取り組むために,強化学習(RL)に基づくオフロードアプローチを提案し,それはMEC状態をオフロード行動にマッピングすることによってオフロードポリシーを開発する。しかし,これらのアプローチは指数的に成長する状態と作用空間のために大規模MECに収束することができなかった。本論文では,大規模WUDによる動的MECにおけるタスク待ち時間とエネルギー消費を効果的に削減できる新しいオンライン計算オフローディング手法を提案した。最初に,RLベースの計算オフロードとエネルギー伝達アルゴリズムを,学習プロセスを加速するために提案する。次に,結合最適化方法を採用して,エネルギーおよび計算資源配分のための近最適解を得る割り当てアルゴリズムを開発した。シミュレーション結果は,提案した方式が効率的に収束して,ベースライン方式に関して有意な性能改良を達成することができることを示した。Copyright 2022 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： アルゴリズム ,  移動度 ,  エネルギー移動 ,  シミュレーション ,  性能 ,  最適化手法 ,  待ち時間 ,  エネルギー消費 ,  効果 ,  基準線 ,  *強化学習 ,  *負荷分散
準シソーラス用語： 最適解 ,  *オンライン ,  *オフローディング ,  モバイルアプリケーション , 【Automatic Indexing@JST】

分類 (5件)： パターン認識  (JE07000S) ,  信号理論  (ND02020G) ,  人工知能  (JE08000Z) ,  計算機網  (JC03000K) ,  自然語処理  (JE06000L)

タイトルに関連する用語 (7件)： 深層強化学習 ,  大規模 ,  モバイル ,  エッジ ,  計算 ,  オンライン ,  オフローディング