Computation Offloading with Multiple Agents in Edge-Computing–Supported IoT
Computation Offloading with Multiple Agents in Edge-Computing–Supported IoT
复制标题
在边缘计算支持的物联网中使用多个代理进行计算卸载
DOI：
10.1145/3372025
复制
发表时间：
2019-12
影响因子：
4.1
通讯作者：
Yan Wang
中科院分区：
文献类型：
--
作者：
Shihao Shen;Yiwen Han;Xiaofei Wang;Yan Wang
随着物联网的发展和各种新型物联网设备的诞生，海量物联网设备的容量面临挑战。幸运的是，边缘计算可以通过将部分计算任务卸载到靠近数据源的边缘节点来优化延迟和连接等问题。使用此功能，物联网设备可以节省更多资源，同时仍保持服务质量。然而，由于计算卸载决策涉及联合和复杂的资源管理，我们使用部署在物联网设备上的多个深度强化学习（DRL）代理来指导它们自己的决策。此外，联邦学习（FL）用于以分布式方式训练DRL代理，旨在使基于DRL的决策变得实用，并进一步降低物联网设备和边缘节点之间的传输成本。在本文中，我们首先研究计算卸载优化问题，并证明该问题是一个NP难问题。然后，基于DRL和FL，我们提出了一种不同于传统方法的卸载算法。最后，我们研究了各种参数对算法性能的影响，验证了DRL和FL在物联网系统中的有效性。
With the development of the Internet of Things (IoT) and the birth of various new IoT devices, the capacity of massive IoT devices is facing challenges. Fortunately, edge computing can optimize problems such as delay and connectivity by offloading part of the computational tasks to edge nodes close to the data source. Using this feature, IoT devices can save more resources while still maintaining the quality of service. However, since computation offloading decisions concern joint and complex resource management, we use multiple Deep Reinforcement Learning (DRL) agents deployed on IoT devices to guide their own decisions. Besides, Federated Learning (FL) is utilized to train DRL agents in a distributed fashion, aiming to make the DRL-based decision making practical and further decrease the transmission cost between IoT devices and Edge Nodes. In this article, we first study the problem of computation offloading optimization and prove the problem is an NP-hard problem. Then, based on DRL and FL, we propose an offloading algorithm that is different from the traditional method. Finally, we studied the effects of various parameters on the performance of the algorithm and verified the effectiveness of both the DRL and FL in the IoT system.
登录
查看更多内容
DOI：
10.5040/9781782258674.0010
发表时间：
2015
期刊：
--
影响因子：
--
作者：
通讯作者：
--
影响因子：
2.5
作者：
GAREY, MR;JOHNSON, DS
通讯作者：
JOHNSON, DS
影响因子：
2.2
作者：
Ananthanarayanan, Ganesh;Bahl, Paramvir;Sinha, Sudipta
通讯作者：
Sinha, Sudipta
DOI：
--
发表时间：
2018-05
期刊：
ArXiv
影响因子：
--
作者：
Pararth Shah;Marek Fiser;Aleksandra Faust;J. Kew;Dilek Z. Hakkani-Tür
通讯作者：
Pararth Shah;Marek Fiser;Aleksandra Faust;J. Kew;Dilek Z. Hakkani-Tür
DOI：
10.1109/tnn.1998.712192
发表时间：
1998
期刊：
IEEE Trans. Neural Networks
影响因子：
--
作者：
R. S. Sutton;A. Barto
通讯作者：
R. S. Sutton;A. Barto