Hierarchical Deep Reinforcement Learning for Joint Service Caching and Computation Offloading in Mobile Edge-Cloud 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
Mobile edge-cloud computing networks can provide distributed, hierarchical, and fine-grained resources, and have become a major goal for future high-performance computing networks. The key is how to jointly optimize service caching and computation offloading. However, the joint service caching and computation offloading problem faces three significant challenges of dynamic tasks, heterogeneous resources, and coupled decisions. In this paper, we investigate the issue of joint service caching and computation offloading in mobile edge-cloud computing networks. Specifically, we formulate the optimization problem as minimizing the long-term average service latency, which is NP-hard. To solve the problem, we conduct in-depth theoretical analyses and decompose it into two sub-problems: service caching processing and computation offloading processing. We are the first to propose a novel hierarchical deep reinforcement learning algorithm to solve the formulated problem, where multiple edge agents and a cloud agent collaboratively determine the caching-action and offloading-action, respectively. The results obtained through trace-driven simulations reveal that the proposed framework outperforms several prevailing algorithms concerning the average service latency across diverse scenarios. In a complex real scenario, our framework achieves an approximately 33% convergence improvement and a remarkable 39% reduction in the average service latency when compared to reinforcement learning-based algorithms.
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 | 0,001 | 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 | 0,001 |
| 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