文献

J-GLOBAL ID：202202259623113798   整理番号：22A0631137

WPC-MECネットワークにおけるオンラインタスクオフローディングとリソース割当のための連合深層強化学習【JST・京大機械翻訳】

Federated Deep Reinforcement Learning for Online Task Offloading and Resource Allocation in WPC-MEC Networks

著者 (3件)： Zang Lianqi (School of Information and Communication Engineering, Beijing University of Posts and Telecommunications, Beijing, China) ,  Zhang Xin (School of Information and Communication Engineering, Beijing University of Posts and Telecommunications, Beijing, China) ,  Guo Boren (School of Information and Communication Engineering, Beijing University of Posts and Telecommunications, Beijing, China)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 9856-9867  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  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,モバイルユーザに対するクラウド様能力を提供することにより,モノのインターネット(IoT)を開発するためのより効果的な技術的解決策と考えられている。本論文では,基地局(BS)が無線エネルギーをエッジユーザ(EU)に転送し,タスクオフロードを通して計算集約タスクを実行することができるMECネットワークと無線電力通信(WPC)技術を組み合わせた。従来の数値最適化手法は時変無線チャネルにおけるこの問題を解決するための時間消費手法であり,集中型深層強化学習(DRL)は大規模動的IoTネットワークでは安定でない。したがって,著者らは,供給したDRLベースのオンラインタスクオフロードと資源割り当て(FDOR)アルゴリズムを提案した。このアルゴリズムでは,DRLはEUで実行され,連合学習(FL)は,MECの分散アーキテクチャを使用して,パラメータを集約し更新する。モバイルEUの非IIDデータの問題を解決するために,FDORアルゴリズムの学習速度を自動的に調整する適応法を考案した。シミュレーション結果は,提案したFDORアルゴリズムが従来の数値最適化方法および4つの側面における既存のDRLアルゴリズムより優れていることを示した:収束速度,実行遅れ,全体計算比率および大規模および動的IoTにおける安定性。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 ,  シミュレーション ,  速度 ,  電力 ,  *ネットワーク ,  *資源割付 ,  基地局 ,  通信 ,  携帯電話
準シソーラス用語： モバイルユーザ ,  収束速度 ,  ワイヤレス ,  *オンライン ,  無線チャネル ,  *オフローディング ,  モノのインターネット , 【Automatic Indexing@JST】

分類 (1件)： 計算機網  (JC03000K)

タイトルに関連する用語 (4件)： WPC ,  MEC ,  リソース割当 ,  深層強化学習