モバイルエッジコンピューティング環境におけるエネルギー効率の高いタスクオフロードのための適応型インテリジェントカスタマイズディープQネットワーク

科学分野:

• コンピュータサイエンス
• 人工知能
• 分散システム

背景:

• エッジクラウドコンピューティングの拡大に伴い、効率的なタスクオフロードへの需要が高まっています。
• レイテンシに敏感なモノのインターネット（IoT）アプリケーションは、動的な環境でのインテリジェントなスケジューリングを必要とします。

研究 の 目的:

• 優先度を考慮したタスクスケジューリングのための新しい強化学習フレームワーク、適応型インテリジェントカスタマイズディープQネットワーク（AICDQN）を導入すること。
• モバイルエッジコンピューティングシステムにおけるリアルタイム意思決定を強化すること。

主な方法:

• タスクオフロードをマルコフ決定プロセス（MDP）として定式化しました。
• ハイブリッドGated Recurrent Unit-Long Short-Term Memory（GRU-LSTM）をワークロード予測に統合しました。
• ローカル、エッジ、クラウド階層全体でのオフロード決定のために、Dynamic Dueling Double Deep Q-Networkエージェントを採用しました。
• コンピューティングノードを優先度を考慮したキューイングシステム（M/M/1、M/M/c、M/M/∞）を使用してモデル化しました。
• 動的な優先度スコアリング関数とエネルギーを考慮したスケジューリングポリシーを実装しました。

主要な成果:

• AICDQNは遅延を最大33.39%削減しました。
• エネルギー効率を57.74%改善しました。
• 既存のアルゴリズムと比較してタスクドロップ率を81.25%削減しました。
• Deep Deterministic Policy Gradient (DDPG)、Distributed Dynamic Task Offloading (DDTO-DRL)、Potential Game based Offloading Algorithm (PGOA)、User-Level Online Offloading Framework (ULOOF)を上回りました。

結論:

• AICDQNは、エッジクラウドタスクオフロードのスケーラブルで適応性のあるソリューションを提供します。
• このフレームワークは、リアルタイム、優先度を考慮した、エネルギー制約のあるスケジューリングを効果的に処理します。
• ハイブリッドGRU-LSTM予測とDueling Double DQNエージェントの有効性を検証しました。