6G-Empowered Offloading for Realtime Applications in 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
Multi-access Edge Computing (MEC) is a promising solution to the resource shortage problem on mobile devices. With MEC, a fraction of the computational tasks on mobile devices could be offloaded to edge servers. Over the past years, a series of machine learning based offloading methods for MEC have been proposed to reduce the completion time of computational tasks. However, most of the existing methods do not work well for realtime applications, which involve tasks with rigorous deadline constraints. In addition, offloading data-intensive tasks via the latest wireless networks, such as LTE and 5G, could lead to unsatisfactory transmission delays. Furthermore, with the state-of-the-art learning-based methods, both the training and inference operation of the learning algorithm are carried out on mobile devices, undesirably leaving less computation resources for computational tasks on mobile devices. In this paper, we propose a 6G-empowered learning-based offloading scheme, MELO, which can be used to make appropriate offloading decisions for realtime tasks. Specifically, the task offloading problem is first formulated as a Markov Decision Process. Thereafter, the problem is solved with a Reinforcement Learning (RL) algorithm, TD3. In addition, 6G is adopted as the communication infrastructure to sufficiently support the data transfer between mobile devices and edge servers. Furthermore, to leave more resources on mobile devices, we devise a novel learning architecture, EALA. With EALA, the training and inference operation of a learning algorithm are decoupled. The training operation is carried out on edge servers while the inference operation is performed on mobile devices. Our experimental results indicate that MELO outperforms the existing offloading methods in terms of task completion time.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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