为低延迟MEC网络尽量减少任务决策时的任务年龄 任务卸载与行动蒙面深度强化学习
Zhouxi Jiang1, Jianfeng Yang1, Xun Gao1
1Electronic Information School, Wuhan University, Wuhan 430072, China.
Sensors (Basel, Switzerland)
|May 11, 2024
概括
本研究介绍了一种使用有限块长 (FBL) 代码的移动边缘计算 (MEC) 网络的新方法,以尽量减少决策时限 (Age upon Decision,AuD). 在实时应用中,EMPPO算法提高了任务的及时性.
科学领域:
- 无线通信网络 无线通信网络
- 边缘计算 边缘计算
- 信息理论 信息理论
背景情况:
- 移动边缘计算 (MEC) 网络通过更接近用户的数据处理来实现低延迟服务.
- 有限区块长 (FBL) 代码对于在这些网络中实现低延迟传输至关重要.
- 在动态环境中,信息的及时性对决策至关重要.
研究的目的:
- 在MEC网络中引入和最小化任务及时性的决策时龄 (AuD) 度量.
- 为了解决动态任务生成和随机消失的道.
- 共同优化用户设备 (UE) 选择和区块长度分配,以最大限度地减少AUD.
主要方法:
- 制定了AUD最小化问题.
- 将优化问题转化为马尔科夫决策过程 (MDP).
- 提出错误概率控制行动掩盖的近距离政策优化 (EMPPO) 算法.
主要成果:
- 与基线方法相比,提议的EMPPO算法显著减少了AUD.
- 该设计在各种网络条件中显示出稳定性,包括不同的信号噪声比 (SNR) 水平.
- 在平均SNR较低的场景中,效果特别明显.
结论:
- 在低延迟的MEC网络中,EMPPO算法有效地减少了任务AUD.
- 这种方法提高了关键决策时刻的信息及时性.
- 该方法显示了对需要高数据新鲜度的实时应用程序的巨大潜力.
