【2020论文翻译】基于SARSA的深度强化学习的移动边缘计算任务分流和资源分配

题目

Task Offloading and Resource Allocation for Mobile Edge Computing by Deep Reinforcement Learning Based on SARSA

关键词

移动设备，边缘计算，移动边缘计算，边缘云计算，虚拟机，接入点，深度强化学习，移动人工智能。

简介

近年来，通过将延迟敏感和计算密集型移动应用程序任务分载到基于云的远程数据中心，计算分载已成为克服移动设备（MD）约束的有效方法。 在所谓的网络，物理（计算机设施等），社会系统（CPSS）的框架中，例如在交通违章追踪摄像机中，智慧城市可以从分载到边缘点中受益。 我们假设在一个以上的区域中存在移动边缘计算网络（MECN），它们由多个接入点，多边缘服务器和N个MD组成，其中每个MD都有M个独立的实时大型任务。 MD可以通过接入点或移动网络连接到MECN。 每个任务都可以由MD本身本地处理或远程处理。 共有三个分载选项：最近的边缘服务器，相邻的边缘服务器和远程云。 为了解决边缘服务器中的资源管理问题，我们提出了一种基于强化学习的状态行动-奖励状态行动（RL-SARSA）算法，并做出了最佳的分载决策，以最小化系统成本，包括能耗和计算的时间延迟。 我们将此方法称为OD-SARSA（offloading decision-based SARSA）。 我们将我们提出的方法与基于强化学习的Q学习（RL-QL）进行了比较，得出的结论是前者的性能优于后者。

作者

TAHA ALFAKIH 1，MOHAMMAD MEHEDI HASSAN 1,2（IEEE资深会员），ABDU GUMAEI 1，CLAUDIO SAVAGLIO 3和GIANCARLO FORTINO 3（IEEE资深会员）

1计算机和信息科学学院信息系统系，沙特阿拉伯沙特利雅得沙特大学

2沙特阿拉伯利雅得金沙特大学，智能技术研究主席

3卡拉布里亚大学信息学，建模，电子与系统系