Jun, 2015

基于马尔科夫决策过程的移动边缘计算动态服务迁移

PDF
TL;DR本文提出了一种以马尔科夫决策过程 (MDP) 为基础的服务迁移方法，通过近似移动用户和服务位置之间的距离计算最优策略，优化移动边缘计算环境下的服务迁移问题，并在实际场景中表现出卓越的性能。
mobile edge computingservice migrationmarkov decision processuser mobilityoptimal policy
发现论文，激发创造
  • 移动微云中的移动诱导服务迁移

    本文研究了移动微云在分布式计算中的应用，探讨了用户移动时由于不同的基站或接入点附带不同的微云而引起的问题，提出了基于马尔可夫决策过程模型的优化服务迁移算法。

    Mar, 2015

  • 跟随我在边缘：面向移动边缘计算的移动感知动态服务部署

    本文研究了移动边缘计算下长期成本预算约束条件下的移动边缘服务性能优化问题，并应用 Lyapunov 优化将问题分解为一系列实时优化问题，提出了一种基于马尔科夫逼近的近似算法和一种基于最佳响应更新技术的分布式逼近方案，理论分析和严格评估证明了这些方法的有效性。

    Sep, 2018

  • 基于预测未来成本的移动微云动态服务部署

    本研究探讨了移动微云网络中服务实例的部署及动态资源分配问题。通过提出离线及在线算法并考虑成本参数的预测和实际误差，发现在线算法具有高效、低成本和预测准确的优势，可应用在更广泛的动态资源分配问题中。

    Mar, 2015

  • 移动边缘计算系统的延迟最优计算任务调度

    本文研究了移动边缘计算中的任务调度问题，采用马尔科夫决策过程方法解决该问题，并且提出了一种有效的一维搜索算法来找到最优的任务调度策略。仿真结果表明，与基线策略相比，该策略可以实现更短的平均执行延迟。

    Apr, 2016

  • 移动边缘计算中的性能优化：基于深度强化学习的方法

    本文提出了一种基于深度强化学习和马尔科夫决策过程的移动边缘计算系统中的任务卸载策略优化算法。实验结果表明，该算法相比基线策略有了显著的平均成本改善。

    Mar, 2018

  • 毫米波蜂窝网络最优移交决策的 MDP 模型

    本文提出了一种基于 Markov 决策过程的移动网络小区选择算法，针对 mmWave 频段信道状态的不稳定性进行了优化，模拟结果表明该算法提升了网络容量和服务质量。

    Jul, 2015

  • 移动边缘计算中基于学习的应用部署问题的解决方案

    本研究利用机器学习模型对边缘服务器中的请求分配进行优化，提供一种更高效的方法来解决移动边缘计算中的高维问题和不确定性场景，结果显示机器学习模型相对传统方法具有显著的解决时间改进。

    Mar, 2024

  • 移动边缘计算中基于定价的服务缓存和任务卸载

    本文研究了一种移动边缘计算服务定价方案，来协调服务缓存决策和控制设备的任务卸载行为。通过采用两阶段的动态不完全信息博弈模型，得到了设备的最优卸载策略，同时利用低复杂度算法优化基站的服务定价和缓存策略。

    Nov, 2020

  • 移动边缘计算中基于深度强化学习的任务图离载

    通过建模任务图离线计算为马尔可夫决策过程，并设计了一种深度强化学习算法（SATA-DRL）来提供用户体验，以适应环境变化。大量模拟验证表明，SATA-DRL 在减少平均完成时间和截止时间违规方面优于现有策略。

    Sep, 2023

  • 基于深度强化学习和迁移学习的边缘缓存

    本文探讨了网络中冗余数据传输的日益严峻挑战，提出了基于双深度强化学习缓存的解决方案，通过综合考虑文件的生命周期、大小和重要性等特征，实现了比最近的基于深度强化学习的方法更优异的性能，并引入了迁移学习以解决实际环境中缓存的动态挑战。

    Feb, 2024