Deadline-Aware Task Offloading With Partially-Observable Deep Reinforcement Learning for Multi-Access Edge Computing
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».