文献

J-GLOBAL ID：202202277877023636   整理番号：22A0788121

モバイルエッジコンピューティングにおける適応自動スケーリング:深層強化学習アプローチ【JST・京大機械翻訳】

Adaptive Auto-Scaling in Mobile Edge Computing: A Deep Reinforcement Learning Approach

著者 (3件)： Gan Zhaoyu (Beijing University of Posts and Telecommunications,State Key Laboratory of Networking and Switching Technology,Beijing,China) ,  Lin Rongheng (Beijing University of Posts and Telecommunications,State Key Laboratory of Networking and Switching Technology,Beijing,China) ,  Zou Hua (Beijing University of Posts and Telecommunications,State Key Laboratory of Networking and Switching Technology,Beijing,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： ICCECE  ページ： 586-591  発行年： 2022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： 近年,5Gネットワークにおけるモバイルエッジコンピューティング(MEC)は,5Gの開発による有望なパラダイムとして浮上している。ネットワークのエッジにサービスノードを設定することにより,モバイルデバイスがエッジノードに計算タスクをオフロードし,より低い応答時間を達成し,より多くのデバイス電力を節約することができる。しかし,エッジノードの限られた容量のため,妥当な資源配分方法を実装することが重要である。自動スケーリングは,システムコストとサービス品質(QoS)の間のバランスを達成するために,需要と戦略に従って,エッジノードでコンテナ間の計算資源を自動的に調整できる技術である。このバランスを見つけるため,多くの研究者は,強化学習に基づくアルゴリズムに対して,ルールベースアルゴリズム,強化学習ベースアルゴリズムなどの異なる自動スケーリングアルゴリズムを提案して,ほとんどの研究者は自己スケーリングにおけるQ学習を適用し,良好な結果を達成して,強化学習の実現可能性を証明した。しかし,Q学習アルゴリズムは限られた行動空間で行動を選択するだけで,より精密な制御を達成することができない。したがって,本論文では,Markov決定プロセス(MDP)に基づいて,より正確な制御を達成するために,離散行動空間を連続動作空間に置き換える,Proximalポリシー最適化(PPO)に基づく自動スケーリングアルゴリズムを提案した。実験は,非スケーリング方法およびQ学習アルゴリズムと比較して,提案アルゴリズムが,それぞれ96.9%および86.6%の全体的改善を達成したことを示した。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 ,  最適化 ,  コンテナ ,  電力 ,  ネットワーク ,  資源割付 ,  応答時間 ,  連続操作 ,  *携帯電話 ,  *強化学習 ,  ルールベース
準シソーラス用語： モバイルデバイス ,  Q学習 ,  サービス品質 ,  計算資源 , 【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 (5件)： モバイル ,  エッジコンピューティング ,  適応 ,  スケーリング ,  深層強化学習