Communication-Aware Consistent Edge Selection for Mobile Users and Autonomous Vehicles

要約

自動運転のための高度な学習アルゴリズムなど、時間に敏感で計算集約型のタスクを車両から近くのエッジ サーバー、車両間インフラ (V2I) システム、または車両間 (V2V) 通信を介して連携する他の車両にオフロードすることで、パフォーマンスが向上します。
サービスの効率化。
ただし、車両が目的地までの経路を通過する際、ネットワークのサービス品質 (QoS) を維持するために、連続的で中断のないワイヤレス接続を維持するために、アクセス ポイント (AP) 間で頻繁にハンドオーバーを行う必要があります。
これらの頻繁なハンドオーバーにより、その後、それぞれの AP に関連付けられたエッジ サーバー間でタスクの移行が発生します。
この論文では、DDPG (Deep Deterministic Policy Gradient) アルゴリズムに基づく深層強化学習フレームワークを提案することで、タスクの移行とアクセス ポイントのハンドオーバーという共通の問題に対処します。
QoS を最大化するという包括的な目標に基づいて、計算負荷、サービス遅延、および中断を最小限に抑えるために、AP の通信と計算の共同割り当て方法が提案されています。
提案したフレームワークを模擬実験で実装および評価し、エッジサーバー間のスムーズでシームレスなタスク切り替えを実現し、最終的に遅延を削減します。

要約(オリジナル)

Offloading time-sensitive, computationally intensive tasks-such as advanced learning algorithms for autonomous driving-from vehicles to nearby edge servers, vehicle-to-infrastructure (V2I) systems, or other collaborating vehicles via vehicle-to-vehicle (V2V) communication enhances service efficiency. However, whence traversing the path to the destination, the vehicle’s mobility necessitates frequent handovers among the access points (APs) to maintain continuous and uninterrupted wireless connections to maintain the network’s Quality of Service (QoS). These frequent handovers subsequently lead to task migrations among the edge servers associated with the respective APs. This paper addresses the joint problem of task migration and access-point handover by proposing a deep reinforcement learning framework based on the Deep Deterministic Policy Gradient (DDPG) algorithm. A joint allocation method of communication and computation of APs is proposed to minimize computational load, service latency, and interruptions with the overarching goal of maximizing QoS. We implement and evaluate our proposed framework on simulated experiments to achieve smooth and seamless task switching among edge servers, ultimately reducing latency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google