Deadline-Aware Task Offloading With Partially-Observable Deep Reinforcement Learning for Multi-Access Edge Computing
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
Over the past years, computationally-intensive mobile applications, such as interactive games and augmented reality, have gained enormous popularity. This phenomenon has placed a serious burden on mobile devices with limited computation resources and constrained battery capacity. Multi-access Edge Computing (MEC) is proposed to solve the problem by offloading part of the computation tasks from mobile devices to edge servers. The fundamental challenge in MEC is how to effectively select a subset of computation tasks to be offloaded so that the application requirements are satisfied and the total energy consumption is minimized. The existing Deep Reinforcement Learning (DRL) based offloading schemes focus on either non-real-time tasks or real-time tasks with soft deadlines. In addition, the existing schemes do not work well when the information of the system environment is not complete. In this paper, we propose an innovative DRL-based task offloading method, PDMO, which guarantees that the deadlines of real-time tasks are met even when the system environment is only partially observable. Technically, the offloading problem is formulated as a Partially Observable Markov Decision Process (POMDP). To tackle the offloading problem, we devise a Deep Deterministic Policy Gradient (DDPG) based algorithm, POTD3. Our experimental results indicate that PDMO works well in partially observable environments. In addition, it outperforms the existing offloading schemes in terms of energy consumption, deadline miss number and completion rate of non-real-time tasks.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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