Mobility-Aware Partial Task Offloading and Resource Allocation Based on Deep Reinforcement Learning for Mobile Edge Computing
Notice bibliographique
Résumé
Mobile edge computing (MEC) is widely recognized as one of the key solutions for future networks to enhance network performance. A reasonable offloading strategy can enhance network performance and improve quality of service (QoS). However, most of the existing offloading and resource allocation schemes have been developed for static MEC systems, whereas the randomness of user devices movement in cellular networks may lead to inevitable additional migration overhead, posing challenges to MEC task offloading. In this paper, considering the dynamics of stochastic events, including the randomness of user devices movement and the time-varying channel condition, a novel mobility-aware dynamic task offloading scheme based on deep reinforcement learning (DRL-DTO) is designed to minimize the long-term average overhead by jointly optimizing the local CPU resource allocation and edge server selection as well as the offloading rate decision. First, the virtual energy queue and Lyapunov optimization are introduced to address the long-term energy consumption constraint. The formulated stochastic MINLP problem can be further transformed into deterministic MINLP subproblems for each time slot. Then, the transformed subproblem can be further divided into local CPU resource allocation and offloading strategy optimization problems, in which the optimal edge server can be selected based on the maximum transmission rate. The sub-optimal offloading rate decision can be made by DRL. Finally, simulation results demonstrate that the proposed DRL-DTO scheme can achieve less overhead, have less energy consumption, and gain shorter task completion time in a dynamic edge environment compared with other concerned schemes.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».