Joint Server Selection, Cooperative Offloading and Handover in Multi-access Edge Computing Wireless Network: A Deep Reinforcement Learning Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multi-access edge computing (MEC) is the key enabling technology that supports compute-intensive applications in 5G networks. By deploying powerful servers at the edge of wireless networks, MEC can extend the computational capacity of the mobile devices by migrating compute-intensive tasks to the MEC servers. In this paper, we consider a multi-user MEC wireless network in which multiple mobile devices can associate and perform computation offloading via wireless channels to MEC servers attached to the base stations (BSs). The decision whether the computation task is executed locally at the user device or to be offloaded for MEC server execution should be adaptive to the time-varying network dynamics. Taking into account the dynamic of the environment, we propose a deep reinforcement learning (DRL) based approach to solve the formulated nonconvex problem of minimizing computation cost in terms of total delay. However, real-world networks tend to have a large number of users and MEC servers involving large numbers of different actions (continuous and discrete), where evaluating the combination of every possible action becomes impractical. Therefore, conventional DRL methods may be difficult or even impossible to directly apply to the proposed model. Based on the recursive decomposition of the action space available to each state, we propose a DRL-based algorithm for joint server selection, cooperative offloading, and handover in a multi-access edge wireless network. Numerical results show that the proposed DRL based algorithm significantly outperforms the traditional Q-learning method and local computation in terms of task success rate and total delay.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle