view in publisher's site

A Reinforcement Learning Based Task Offloading Scheme for Vehicular Edge Computing Network

Recently, the trends of automation and intelligence in vehicular networks have led to the emergence of intelligent connected vehicles (ICVs), and various intelligent applications like autonomous driving have also rapidly developed. Usually, these applications are compute-intensive, and require large amounts of computation resources, which conflicts with resource-limited vehicles. This contradiction becomes a bottleneck in the development of vehicular networks. To address this challenge, the researchers combined mobile edge computing (MEC) with vehicular networks, and proposed vehicular edge computing networks (VECNs). The deploying of MEC servers near the vehicles allows compute-intensive applications to be offloaded to MEC servers for execution, so as to alleviate vehicles’ computational pressure. However, the high dynamic feature which makes traditional optimization algorithms like convex/non-convex optimization less suitable for vehicular networks, often lacks adequate consideration in the existing task offloading schemes. Toward this end, we propose a reinforcement learning based task offloading scheme, i.e., a deep Q learning algorithm, to solve the delay minimization problem in VECNs. Extensive numerical results corroborate the superior performance of our proposed scheme on reducing the processing delay of vehicles’ computation tasks.

یک طرح تکلیف محور مبتنی بر یادگیری Reinforcement برای شبکه محاسبه لبه Vehicular

اخیرا، روند اتوماسیون و هوش در شبکه‌های وسایل نقلیه منجر به پیدایش خودروهای هوشمند متصل شده (icvs)و کاربردهای هوشمند مختلفی مانند رانندگی مستقل نیز به سرعت توسعه پیدا کرده‌است. معمولا، این کاربردها، متمرکز - متمرکز هستند و نیازمند مقادیر زیادی از منابع محاسباتی هستند که با وسایل نقلیه محدود منابع تناقض دارند. این تناقض به یک تنگنا در توسعه شبکه وسایط نقلیه تبدیل می‌شود. برای پرداختن به این چالش، محققان محاسبه لبه متحرک (MEC)را با استفاده از شبکه وسایط نقلیه مشترک (VECNs)همراه با شبکه‌های کامپیوتری پیشنهاد کردند. استقرار سرورهای MEC در نزدیکی خودروها باعث می‌شود که برنامه‌های کاربردی فشرده برای اجرا به servers ارسال شوند تا فشار محاسباتی ماشین‌ها را کاهش دهند. با این حال، ویژگی دینامیک بالا که الگوریتم های بهینه‌سازی سنتی مانند بهینه‌سازی محدب و غیر محدب را کم‌تر برای شبکه وسایط نقلیه مناسب می‌سازد، اغلب فاقد دقت کافی در نقشه‌های تخلیه بار فعلی است. در این راستا، ما یک طرح تخلیه کار مبتنی بر یادگیری تقویتی را پیشنهاد می‌کنیم، یعنی، یک الگوریتم یادگیری عمیق Q، برای حل مساله کمینه‌سازی تاخیر در VECNs. نتایج عددی گسترده نشان‌دهنده عملکرد برتر طرح پیشنهادی ما در کاهش تاخیر پردازش وظایف محاسبات وسایل نقلیه است.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.