MMJun, 2019

移动边缘计算系统中基于深度学习的混合 5G 服务：借鉴数字孪生技术

PDF
TL;DR本论文提出了一种基于深度学习的移动边缘计算系统，旨在通过优化用户关联、资源分配和卸载概率来最小化归一化能量消耗，并考虑服务质量要求。仿真结果表明，相比现有方法，我们的方法可以实现更低的归一化能量消耗，并具有更少的计算复杂度。
mobile edge computingenergy consumptionquality-of-servicedeep learningresource allocation
发现论文，激发创造
  • 虚拟边缘计算系统中基于深度强化学习的计算卸载性能优化

    本文讨论了在移动网络中为实现计算任务的优化，如何通过最优计算分配策略，结合移动设备与 MEC 服务器的计算能力以及移动设备与基站之间的不同状态，达到最大化长期效益性能的效果，并利用 Q 函数分解技术与双深度 Q 网络相结合，实现了随机计算分配的学习算法。

    May, 2018

  • 边缘 / 云计算环境中数字孪生的高效任务卸载算法

    本论文提出了一种考虑到异构的移动云计算 / 移动边缘计算环境的数字孪生系统模型以及一个新的基于分布式深度学习的卸载方案，并通过实验结果证明了该算法相对于动态数字孪生系统中的基线具有较好的降低系统平均延迟和能耗的效果。

    Jul, 2023

  • 基于深度学习的混合 MEC 网络联合资源调度算法

    本文旨在提出一种基于深度学习和优化算法的混合式移动边缘计算方案，包含地面站、地面车辆和无人机，通过实时联合优化地面车辆和无人机的位置、用户关联和资源分配，以达到在线减少 UE 设备的能耗。

    Nov, 2019

  • 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

  • 边缘云多用户推理编排的在线学习

    我们提出了一种基于强化学习的计算卸载解决方案，它可以在考虑首选深度学习模型选择技术的情况下学习最佳卸载策略，以最小化响应时间同时提供足够的准确性，我们的解决方案在 AWS 和 ARM 核心配置的多个实现中提供 35％的加速，并且最少仅有 0.9％的准确性降低，展示了我们在线学习框架在边缘计算及联云系统中编配深度学习推理的潜力。

    Feb, 2022

  • 多用户移动边缘计算的分散式计算卸载：一种深度强化学习方法

    本文探讨了一种分散式的深度强化学习方法来优化移动边缘计算系统中的任务卸载策略，并分析了功耗和延迟之间的权衡关系。结果表明，该方法比传统的深度 Q 网络方法以及其他贪心策略能够更有效地降低资源消耗成本。

    Dec, 2018

  • 边缘计算中基于数字孪生辅助的资源感知微服务卸载的强化学习

    我们提出了一种基于深度强化学习和数字孪生技术的新型微服务卸载算法 DTDRLMO，该算法利用数字孪生技术实时预测和适应协作边缘计算环境的负载和网络条件，从而为每个微服务选择最合适的边缘节点，优化服务完成时间。在真实和合成数据集上的模拟结果表明 DTDRLMO 在平均服务完成时间方面优于启发式和基于学习的方法。

    Mar, 2024

  • 无线供能移动边缘计算网络中的在线计算卸载深度强化学习

    本文提出了一种基于深度强化学习的在线边缘计算离线策略，在自适应调整参数的基础上有效减少了计算时间，提高了计算性能。

    Aug, 2018

  • 边缘机器学习：应用于 5G 蜂窝网络的数据驱动架构

    本文提出了一种基于边缘控制器的 5G 移动网络结构，利用全球用户的移动模式来动态聚类和关联基站和控制器，以及通过控制器运行机器学习算法来预测每个基站的用户数量，为高层次应用程序提供路由服务，以提高网络的重要性能指标。

    Aug, 2018

  • 基于无人机互联网的深度学习目标跟踪边缘计算卸载优化

    利用卷积神经网络的视觉跟踪能力配合移动边缘计算，提出了一种新的层次分布式计算框架，将有限的计算资源和能量预算分配到无人机和移动边缘服务器上，以达到更高的推断精度和更低的计算成本。

    Aug, 2020