A Dynamic Partial Computation Offloading for the Metaverse in In-Network Computing

要約

インネットワーク コンピューティング (COIN) パラダイムは、未使用のネットワーク リソースを活用していくつかのタスクを実行し、メタバースなどの計算を要求するアプリケーションに対応する有望なソリューションです。
この流れで、変化する計算リソースの状態に基づいてオフロード ポリシーを動的に調整しながら、エネルギー消費と遅延を最小限に抑えるために、COIN 環境の複数のサブタスクに対するメタバースの部分計算オフロード問題を検討します。
問題が NP であることを証明し、それを 2 つの部分問題、つまりユーザー側のタスク分割問題 (TSP) と COIN 側のタスクオフロード問題 (TOP) に変換しました。
我々は TSP を順序ポテンシャル ゲーム (OPG) としてモデル化し、そのナッシュ均衡 (NE) を得る分散アルゴリズムを提案しました。
次に、マルコフ決定プロセス (MDP) が提案するダブルディープ Q ネットワーク (DDQN) として TOP をモデル化し、最適なオフロード ポリシーを解決します。
インテリジェント エージェントが一定の確率内でランダムにオフロード決定をサンプリングする従来の DDQN アルゴリズムとは異なり、COIN エージェントは TSP とディープ ニューラル ネットワークの NE を探索します。
最後に、シミュレーション結果は、私たちが提案したモデルアプローチにより、COIN エージェントがポリシーを更新し、より多くの情報に基づいた決定を下せるようになり、従来のベースラインと比較して時間の経過とともにパフォーマンスが向上することを示しています。

要約(オリジナル)

The In-Network Computing (COIN) paradigm is a promising solution that leverages unused network resources to perform some tasks to meet up with computation-demanding applications, such as metaverse. In this vein, we consider the metaverse partial computation offloading problem for multiple subtasks in a COIN environment to minimise energy consumption and delay while dynamically adjusting the offloading policy based on the changing computation resources status. We prove that the problem is NP and thus transformed it into two subproblems: task splitting problem (TSP) on the user side and task offloading problem (TOP) on the COIN side. We modelled the TSP as an ordinal potential game (OPG) and proposed a decentralised algorithm to obtain its Nash Equilibrium (NE). Then, we model the TOP as Markov Decision Process (MDP) proposed double deep Q-network (DDQN) to solve for the optimal offloading policy. Unlike the conventional DDQN algorithm, where intelligent agents sample offloading decisions randomly within a certain probability, our COIN agent explores the NE of the TSP and the deep neural network. Finally, simulation results show that our proposed model approach allows the COIN agent to update its policies and make more informed decisions, leading to improved performance over time compared to the traditional baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google