10055

يك روش تخليه بار محاسباتي مبتني بر يادگيري ماشين در نسل ششم شبكه هاي ارتباطي

كارشناسي

مهندسي كامپيوتر

1404

دكتر زينب موحدي

دكتر ابوالفضل ديانت

1404/07/28

مهندسي كامپيوتر

A machine learning–based computation offloading method in sixth-generation communication networks

فناوري خودروهاي هوشمند در سال‌هاي اخير پيشرفت چشمگيري داشته و براي هدايت آن‌ها نرم‌افزارهاي پيچيده‌اي توسعه يافته است. اين نرم‌افزارها به دليل ماهيت محاسباتي سنگين خود نيازمند منابع پردازشي قدرتمند هستند، در حالي‌كه خودروهاي خودران با محدوديت منابع محلي مواجه‌اند و قادر به انجام تمامي پردازش‌هاي بلادرنگ در زمان مناسب نيستند. براي رفع اين محدوديت، بخشي از وظايف محاسباتي به سرورهاي لبه منتقل مي‌شود. با افزايش سريع تعداد اين خودروها، بهره‌گيري از شبكه‌هاي فراتر از نسل پنجم (B5G) و نسل ششم (6G) كه ويژگي‌هايي نظير تأخير فوق‌العاده كم و پشتيباني از اتصالات انبوه دارند، ضروري است. اين شبكه‌ها زمينه‌ساز پردازش بلادرنگ و انتقال سريع داده‌ها در اينترنت وسايل نقليه (IoV) هستند. با اين حال، معماري‌هاي موجود محاسبات لبه (MEC) همچنان در هماهنگي ميان چندين سرور لبه و مديريت وظايف متنوع با چالش‌هايي روبه‌رو هستند. در اين پژوهش، براي غلبه بر اين مشكلات، مسئله زمان‌بندي و تخليه بار وظايف به صورت يك فرآيند تصميم‌گيري ماركوف (MDP) مدل‌سازي شده و الگوريتم Soft Actor-Critic بهبود يافته (ISAC) همراه با مكانيزم نمونه‌برداري تطبيقي وزن‌دار معرفي مي‌گردد تا سرعت همگرايي، پايداري و كارايي بهبود يابد. سپس چارچوبي با عنوان آموزش متمركز آفلاين و اجراي توزيع‌شده (OCTDE-ISAC) پيشنهاد مي‌شود كه توانايي اتخاذ تصميمات بهينه در محيط پويا و پيچيده IoV را فراهم مي‌سازد. نتايج شبيه‌سازي نشان مي‌دهد كه روش پيشنهادي نسبت به الگوريتم‌هاي موجود عملكرد بهتري در كاهش تأخير، بهبود همگرايي، افزايش بهره‌وري سيستم و برقراري تعادل بار ميان سرورهاي لبه دارد.

B5G/6G , تخليه بار محاسباتي , اينترنت وسايل نقليه (IoV) , محاسبات چند لبه اي (MEC) , يادگيري تقويتي عميق چندعاملي (DRL)