9573

بهينه سازي همزمان بارسپاري وظايف و تخصيص منابع در محيط NOMA

كارشناسي

مهندسي كامپيوتر

1403

دكتر رضا انتظاري ملكي

1403/11/29

مهندسي كامپيوتر

Joint Optimization of task offloading and resource allocation in a NOMA environment

حاسبات لبه‌اي خودرويي (VEC) به‌عنوان يك راه‌حل اميدواركننده براي پاسخگويي به نيازهاي محاسباتي و تأخير در سيستم‌هاي حمل‌ونقل هوشمند مطرح شده است. اين فناوري با امكان بار سپاري وظايف سنگين محاسباتي خودروها به سرورهاي لبه نزديك يا ابر، چالش‌هاي مرتبط با منابع و زمان پاسخگويي را كاهش مي‌دهد. با اين حال، ماهيت پويا و تصادفي محيط‌هاي خودرويي، از جمله تغييرات در تقاضاي وظايف، تحرك بالا و محدوديت منابع لبه‌اي، چالش‌هاي قابل توجهي در بهينه‌سازي بار سپاري وظايف و تخصيص منابع ايجاد مي‌كند. براي مواجهه با اين چالش‌ها، ما يك چارچوب يادگيري تقويتي عميق چندعامله (MADRL) را پيشنهاد مي‌كنيم كه به‌طور خاص براي سيستم‌هاي VEC طراحي شده است. اين چارچوب از يك معماري سه‌لايه مبتني بر NOMA (دسترسي چندكاربره غيرمتعامد) تشكيل شده است كه شامل خودروها، سرورهاي لبه و هسته ابري مي‌باشد. اين معماري با بهره‌گيري از قابليت‌هاي ،NOMA امكان استفاده كارآمد از طيف فركانسي و بهبود همكاري بين تمامي سطوح را فراهم مي‌كند. با استفاده از ،MADRL سيستم به‌صورت پويا تصميم‌گيري‌هاي مربوط به بار سپاري وظايف و تخصيص منابع را بهينه‌سازي مي‌كند، بارهاي محاسباتي را متعادل مي‌سازد، تأخير خدمات را به حداقل مي‌رساند و نرخ تكميل وظايف را بهبود مي‌بخشد. نتايج شبيه‌سازي نشان‌دهنده اثربخشي اين رويكرد پيشنهادي است و بهبودهاي قابل توجهي در نرخ خدمات، زمان پردازش، زمان خدمات و پاداش‌هاي تجمعي در مقايسه با روش‌هاي موجود به‌دست آمده است. اين مطالعه پتانسيل تكنيك‌هاي مبتني بر يادگيري تقويتي چندعامله را در افزايش كارايي و مقياس‌پذيري سيستم‌هاي VEC تحت شرايط پويا برجسته مي‌كند.

‫ﻣﺤﺎﺳﺒﺎﺕ‬ ‫ﻟﺒە‌اي خودرويي , دسترسي چند‌كاربره غيرمتعامد , بارسپاري وظايف , يادگيري تقويتي عميق چندعامله