Jun, 2023

基于网络内计算的元宇宙动态部分计算卸载

PDF
TL;DR该研究在 “网络内计算” 范式下探讨了分布式计算优化的问题，采用了序态潜力博弈（OPG）和双深度 Q 网络（DDQN）等算法以优化计算资源利用率和性能，进而获得了比传统基线更加出色的结果。
in-network computingmetaversecomputation offloadingnash equilibriumdeep q-network
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

  • 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

  • 基于区块链的物联网网络中带有深度强化学习的安全计算卸载

    使用区块链和强化学习算法，探讨了移动边缘云计算系统中保证安全性和减轻计算负担的任务卸载问题。

    Aug, 2019

  • 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

  • 协调深度神经网络：一种多功能的边缘卸载算法

    在本研究中，我们提出了一种名为 CoDE 的新算法，它能够协同处理深度神经网络模型，从而实现低延迟的边缘 AI 服务。通过利用自身和其他模型的参数，DNN 模型可以创建新的推理路径，从而降低本地计算负荷，同时只对精度产生最多 2% 的影响。在重负载条件下，CoDE 可以进一步减少推理时间 30%，而精度仅下降 4%。

    Jan, 2024

  • 移动边缘云计算的高效多用户计算卸载

    本文研究了移动边缘云计算中的多用户计算卸载问题，并采用博弈论方法达到有效的分布式计算卸载，进一步扩展研究到多通道无线争用环境中的多用户计算卸载，提出了一种算法并通过实验验证其性能和可扩展性。

    Oct, 2015

  • 多服务器多接入边缘车联网的计算卸载：基于 DDQN 的方法

    本文研究了多服务器移动边缘计算系统中重叠领域的多用户卸载问题。我们将原始问题划分为两个阶段：卸载决策阶段和请求调度阶段。为了防止终端在卸载过程中超出服务范围，我们考虑终端的移动性参数，并根据人类行为模型进行卸载决策，然后引入基于移动性参数和服务器负载的服务器评估机制来选择最佳的卸载服务器。为了充分利用服务器资源，在调度卸载请求时，我们设计了基于双深度 Q 网络（DDQN）的回报评估算法，考虑任务的优先级。最后，进行数值模拟验证了我们提出的方法优于传统的数学计算方法和 DQN 算法。

    Feb, 2024

  • 联合优化部分卸载和 SFC 映射：一种合作的双代理深度强化学习方法

    本研究使用深度强化学习算法解决在 NFV-enabled MEC 环境下的部分卸载和服务功能链映射问题，旨在在执行延迟，移动设备的能量消耗和边缘计算的使用费用方面优化。研究结果表明，所提出的算法在累积和平均随机回报方面优于三种深度强化学习算法的组合，并在执行延迟，能量消耗和使用费用方面胜过众多基准算法。

    May, 2022

  • 多头集成多任务学习方法用于动态计算卸载

    本文提出了一种多头集成多任务学习（MEMTL）方法，通过共享骨干网络和多个预测头（PHs）来解决计算卸载中的推断性能问题，从而有效解决了时变无线环境中的混合优化问题。实验证明，该方法在推断准确性和均方误差方面优于基准方法，而无需额外的训练数据。

    Sep, 2023

  • 数字孪生网络中随机计算卸载的深度强化学习

    本文提出了一种新的数字孪生网络（DTN）模型来帮助 IIoT 系统中的网络拓扑和随机任务到达模型，进而将随机计算卸载和资源分配问题转化为 Lyapunov 优化问题，并使用异步 Actor-Critic 算法来找到最优的随机计算卸载策略和提高能源效率。研究结果表明，该方案显著优于基准。

    Nov, 2020