Task Graph offloading via Deep Reinforcement Learning in Mobile Edge Computing

要約

依存タスクを構成するさまざまなモバイル アプリケーションが広く普及しており、ますます複雑になっています。
これらのアプリケーションには低遅延の要件が求められることが多く、その結果、コンピューティング リソースの需要が大幅に急増します。
モバイル エッジ コンピューティング (MEC) の出現により、高品質のユーザー エクスペリエンスを得るために、モバイル ネットワークのエッジに配置された小規模デバイスにアプリケーションのタスクをオフロードすることが最も重要な課題となっています。
しかし、MEC の環境は動的であるため、タスク グラフのオフロードに焦点を当てた既存の作業のほとんどは、専門知識や正確な分析モデルに大きく依存しており、そのような環境の変化に完全に適応できず、ユーザー エクスペリエンスの低下につながります。
このペーパーでは、エッジ コンピューティング デバイスの時間とともに変化する計算能力を考慮して、MEC におけるタスク グラフのオフロードを調査します。
環境の変化に適応するために、計算オフロードのタスク グラフ スケジューリングをマルコフ決定プロセス (MDP) としてモデル化します。
次に、深層強化学習アルゴリズム (SATA-DRL) を設計して、環境とのインタラクションからタスクのスケジューリング戦略を学習し、ユーザー エクスペリエンスを向上させます。
広範なシミュレーションにより、SATA-DRL が平均メイクスパンと期限違反の削減という点で既存の戦略よりも優れていることが検証されています。

要約(オリジナル)

Various mobile applications that comprise dependent tasks are gaining widespread popularity and are increasingly complex. These applications often have low-latency requirements, resulting in a significant surge in demand for computing resources. With the emergence of mobile edge computing (MEC), it becomes the most significant issue to offload the application tasks onto small-scale devices deployed at the edge of the mobile network for obtaining a high-quality user experience. However, since the environment of MEC is dynamic, most existing works focusing on task graph offloading, which rely heavily on expert knowledge or accurate analytical models, fail to fully adapt to such environmental changes, resulting in the reduction of user experience. This paper investigates the task graph offloading in MEC, considering the time-varying computation capabilities of edge computing devices. To adapt to environmental changes, we model the task graph scheduling for computation offloading as a Markov Decision Process (MDP). Then, we design a deep reinforcement learning algorithm (SATA-DRL) to learn the task scheduling strategy from the interaction with the environment, to improve user experience. Extensive simulations validate that SATA-DRL is superior to existing strategies in terms of reducing average makespan and deadline violation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google