9006

ارائه يك روش بارسپاري وظايف محاسباتي مبتني بر يادگيري عميق در محاسبات لبه اي سيار

كارشناسي

مهندسي كامپيوتر

1402

دكتر رضا انتظاري ملكي

1402/12/26

مهندسي كامپيوتر

Deep Reinforcement Learning-Based Task Offloading in Mobile Edge Computing Systems: A Distributed Approach

محاسبات لبه‌اي سيار(MEC) به عنوان يك الگوي مهم محاسباتي براي بهبود كارايي و بهره‌وري كاربردهاي سيار به كمك بارسپاري وظايف سنگين‌تر محاسباتي به سرورهاي لبه معرفي شده است. گرچه، پياده‌سازي موثر بارسپاري وظايف در سامانه‌هاي MEC با چالش‌هاي ناشي از عدم قطعيت، ناهمگوني و پويايي روبروست. الگوريتم‌هاي يادگيري تقويتي عميق رويكرد قدرتمندي براي يادگيري سياست‌هاي بهينه بارسپاري وظايف در محيط‌هاي پيچيده و نامعين ارائه مي‌دهد. در اين كار، دو روش بارسپاري مبتني بر يادگيري تقويتي عميق بر اساس دو الگوريتم DDPG و D4PGارائه شده است. راه حل ارائه شده با ايجاد يك سامانه غير متمركز و توزيع‌شده كه هر دستگاه سيار در آن در نقش يك عامل يادگيري تقويتي است، سعي در بهينه‌سازي كارايي هر يك از عامل‌ها به صورت مستقل از هم دارد. به جهت كاهش پيچيدگي محاسباتي سطح بار گره‌هاي لبه به عنوان بخشي از وضعيت مشاهده شده توسط عامل يادگيري تقويتي، از شبكه GRU به جاي LSTMاستفاده شده است. علاوه بر آن، از يك مدل پيش‌بيني توالي مبتني بر GRU براي تخمين اندازه وظايف استفاده شده است. همچنين، يك الگوريتم زمانبندي جديد و متفاوت با كارايي بهتر نسبت به روش رايج FIFO با استفاده از مقادير تخمين زده شده اندازه وظايف ارائه شده است. شبيه‌سازي‌هاي متعدد براي ارزيابي راه حل ارائه شده و مقايسه كارايي آن با روش‌هاي ديگر انجام شده است. نتايج به دست آمده حاكي از بهبود قابل توجه در ميزان نرخ ردشدگي تا 20 درصد و ميانگين زمان پردازش وظايف تا 12 درصد در مقايسه با الگوريتم DRLمبتني بر DQN است كه موثر بودن روش ارائه شده را تاييد مي‌كنند.

بارسپاري وظايف , محاسبات لبه اي سيار , يادگيري تقويتي عميق , سيستم هاي توزيع شده , زمانبندي وظايف