Designing a Deep Q-Learning Model with Edge-Level Training for Multi-Level Task Offloading in Edge Computing Networks
[6] Designing a Deep Q-Learning Model with Edge-Level Training for Multi-Level Task Offloading in Edge Computing Networks 作者：Zendebudi A, Choudhury S. 出处：Applied Sciences, 2022, 12(20): 10664. 摘要：尽管小型便携式设备在处理能力和功率效率方面变得越来越强大，但仍有一些工作负载需要比这些设备提供的更多计算能力。此类工作负载的示例包括实时感官输入处理、视频游戏流以及与物联网设备相关的工作负载。然而，其中一些工作负载（例如虚拟现实）需要非常小的延迟；因此，工作负载无法卸载到云服务。为了解决这个问题，使用更接近用户的边缘设备来代替云服务器。在这项研究中，我们探讨了将任务从移动设备分配到边缘设备的问题，以最小化移动设备的任务响应延迟和功耗，因为它们的功率容量有限。深度Q学习模型用于处理移动和边缘设备中的任务卸载决策过程。这项研究有两个主要贡献。首先，在移动设备中训练深度Q学习模型是移动设备的计算负担；因此，提出了一种将计算转移到连接的边缘设备的解决方案。其次，提出了一种路由协议，当移动设备连接到新的边缘设备并因此不再连接到先前任务被卸载到的边缘设备时，将任务结果传递给移动设备。 链接： https://www.mdpi.com/2076-3417/12/20/10664 代码： https://github.com/ahmadzendebudi/edge_simulation1