Adjustable Multi-Objective Deep Reinforcement Learning-Based Edge User Allocation
Notice bibliographique
Résumé
Multi-Access Edge Computing (MEC) is a popular and promising paradigm that allows service providers to serve their users from nearby servers. In order to fully leverage the advantages of MEC, the mapping between users and edge servers is of utmost importance for service providers. The Edge User Allocation (EUA) problem has been widely studied from the perspective of service providers with different objectives, e.g., maximizing the number of allocated users, respecting the latency threshold, minimizing overall system cost, etc. However, service providers tend to have dynamic priorities for different objectives over time. In certain situations, a service provider may opt to prioritize the minimization of their system cost at the expense of not meeting all their users expectations, or vice-versa, throughout a range of priority degrees. In this paper, we present a Deep Reinforcement Learning (DRL) approach for allocating users to edge servers according to dynamic priorities. We consider the online EUA problem where users arrive and depart dynamically, and propose a distributed solution that does not require full observation of all the servers to make allocation decisions. We offer a solution for both user-satisfaction and cost-effectiveness, while allowing the service provider to adjust their priority for each objective. A series of experiments have been conducted to evaluate the performance of our approach, under different priority degrees, against other baseline approaches. The results show the potential benefits of the proposed scheme in providing an adjustable multi-option solution for service providers.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».