12163

كاربردهاي يادگيري تقويتي عميق براي برونسپاري محاسبات و تخصيص منابع در سيستم هاي پردازش لبه سيار

1400

دكتر حسين سليماني

دكتر محمد رضوي زاده

اين گزارش مروري را بر مقالاتي ارائه مي‌كند كه كاربردهاي يادگيري تقويتي عميق را در برون‌سپاري محاسباتي و تخصيص منابع در سيستم‌هاي محاسبات لبه چنددسترسي (MEC) بررسي كرده‌اند. مقالات به سه دسته تقسيم مي شوند: تخصيص منابع، برون‌سپاري محاسباتي، و تخصيص منابع و برون‌سپاري محاسباتي بصورت مشترك. مقاله‌هاي مربوط به تخصيص منابع، رويكردهاي مختلفي را براي بهينه‌سازي تخصيص منابع در سيستم‌هاي MEC با استفاده از تكنيك‌هاي يادگيري تقويتي عميق پيشنهاد مي‌كنند. اين رويكردها براي به حداقل رساندن مصرف انرژي، بهبود عملكرد شبكه و افزايش كيفيت خدمات براي كاربران طراحي شده اند. با بررسي اين مقالات نشان خواهيم داد كه چگونه يادگيري تقويتي عميق مي‌تواند براي بهينه‌سازي فرآيند برون‌سپاري وظايف محاسباتي از دستگاه‌هاي تلفن همراه – يا بطور كلي دستگاه‌هايي كه نياز به چنين تكنولوژي‌اي داشته باشند - به سرورهاي MEC استفاده شود. هدف اين رويكردها كاهش زمان محاسبات، مصرف انرژي و تأخير ارتباط است. برخي مقالات نيز به چالش هاي بهينه سازي همزمان تخصيص منابع و برون‌سپاري محاسباتي در سيستم هاي MEC مي پردازند. هدف اين رويكردها به حداكثر رساندن عملكرد كلي سيستم با بهينه سازي مشترك هر دو فرآيند است. به طور كلي، مقالات بررسي شده در اين گزارش پتانسيل يادگيري تقويتي عميق را براي بهبود كارايي و عملكرد برون‌سپاري محاسباتي و تخصيص منابع در سيستم‌هاي MEC را نشان مي‌دهند.

5/24/2023 12:00:00 AM

79239

1402/04/18

Applications of Deep Reinforcement Learning for Computation Offloading and Resource Allocation in Mobile Edge Computing Systems

محاسبات لبه سيار , تخصيص منابع , برون‌سپاري محاسبات , يادگيري تقويتي عميق

Multi-access edge computing , resource allocation , computation offloading , deep reinforcement learning