Decentralized Task Offloading in Edge Computing: A Multi-User Multi-Armed Bandit Approach

已于 2024-04-12 16:06:18 修改
阅读量346 收藏 5
点赞数 9
分类专栏： 论文 文章标签： 去中心化 边缘计算
于 2024-03-21 23:30:07 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/molly4869/article/details/136923730
版权

翻译：边缘计算中的分散式任务卸载：一种多用户多武装匪徒方法

来源：IEEE INFOCOM 2022 - IEEE Conference on Computer Communications

链接：Decentralized Task Offloading in Edge Computing: A Multi-User Multi-Armed Bandit Approach | IEEE Conference Publication | IEEE Xplore简要介绍：场景系统侧信息未知，环境是动态的不确定的，不足以处理涉及许多共存用户的任务放置。方案是开发了一个考虑未知但随机的系统侧信息的多用户卸载框架，以实现分散的用户发起的服务放置。具体来说，我们将动态任务放置建模为一个在线多用户多臂赌博过程，用户是去探索新的边缘服务器，还是利用已知的边缘服务器来进行卸载，这两者之间是矛盾的，赌博机就是平衡这俩矛盾，并提出了一个分散的基于历元的卸载( DEBO )来优化网络延迟下的用户奖励。目的是推导出最优的用户-服务器分配，从而实现接近最优的服务性能和紧O ( log T )的卸载遗憾。效果是将DEBO推广到未知报酬差距、客户动态进入或离开、公平报酬分配等多种常见场景，同时进一步探索用户卸载任务何时需要异构计算资源，该方法更优越。

关于多臂赌博机可参考：强化学习基础笔记1(Sutton)--多臂赌博机 - 知乎，还有GPT

笔记：

珀安
关注
  • 9
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
TARMAC: TARGETED MULTI-AGENT COMMUNICATION（TARMAC：目标多代理通信）
weixin_41697507的博客
06-27 1914
ABSTRACT We explore a collaborative multi-agent reinforcement learning setting where a team of agents attempts to solve cooperative tasks in partially-observable environ-ments. In this scenario, learn...
Fully Decentralized Multi-Authority ABE Scheme in Data Sharing System
02-21
Un- like prior multi-authority ABEs, this scheme can achieve secret key generation in a fully decentralized manner, which eliminates the security risk on central au- thority(CA) compromise....
【论文导读】- SpreadGNN: Serverless Multi-task Federated Learning for Graph Neural Networks（去服务器的多任务图联邦学习）
1+1=王的博客
01-12 8214
图神经网络( GNN )是图机器学习问题的首选方法，因为它们能够从图结构数据中学习最先进的表示。然而，由于用户方面的隐私问题、法规限制和商业竞争，将大量的真实世界图形数据集中用于GNN训练是令人望而却步的。联邦学习是在许多分布式边缘设备上协同训练机器学习模型的事实上的标准，而无需集中化。尽管如此，在联邦环境中训练图神经网络是模糊定义的，并带来统计和系统挑战。本文首次在文献中提出了可以在存在部分标签和没有中心服务器的情况下运行的新型多任务联邦训练框架SpreadGNN。
Deep Decentralized Multi-task Multi-Agent Reinforcement Learning under Partial Observability
sinat_41679123的博客
07-08 393
17-icml-Deep Decentralized Multi-task Multi-Agent Reinforcement Learning under Partial Observability agent用的HDRQN，multi-agent实现通过同时存储agent的trajectory，multi-task实现通过学习一个distilled agent
《BlockDFL: A Blockchain-based Fully Decentralized Federated Learning Framework》中模型验证与共识过程
a15097745800的博客
01-03 1244
参与者被授予三种不同的角色，即更新提供者、聚合者和验证者。更新提供者用于基于其私有训练数据来训练模型并将其本地更新共享给聚合器。它独立工作。聚合器负责收集本地更新并选择其中一定数量的更新来聚合全局更新。它也可以独立工作。验证者共同主持选择合适的全局更新，并将其与验证者私钥创建的数字签名以及聚合器和更新提供者的身份打包到新添加到区块链中的块中。他们独立评分全局更新，并协作选择一个全局更新。图1中独立和协作的步骤用不同的颜色标记。在BlockDFL中，添加一个块意味着所有参与者都进行了一轮通信（相当于在FL中执
Mix-of-Show: Decentralized Low-Rank Adaptation forMulti-Concept Customization # 论文阅读
qq_29679623的博客
05-31 426
URL。
BrainTorrent: A Peer-to-Peer Environment for Decentralized Federated Learning
qq_44026293的博客
03-13 910
背景 最近想要找一些去中心化联邦的论文看，然后发现了两篇关于Peer-to-Peer的论文，其中一篇是BrainTorrent: A Peer-to-Peer Environment for Decentralized Federated Learning，另外一篇是Peer-to-Peer Federated Learning on Graphs。在这里介绍一下这两篇论文，然后总结一下目前遇到过的去中心化联邦的一般方法和方向 ...
#7文献学习--动态边缘计算中的鲁棒任务卸载
qq_44226059的博客
01-07 839
动态边缘计算中的鲁棒任务卸载
Deep Learning With Edge Computing: A Review
qq_32631105的博客
02-21 1125
Deep Learning With Edge Computing: A Review introduction the challenge of moving data from source to cloud latency scalability privacy accommodating the high resource requirements of deep learning on...
Blockchain-based Edge Computing for Deep Neural Network Applications学习笔记
qq_42265220的博客
08-14 5015
Blockchain-based Edge Computing for Deep Neural Network Applications学习笔记一、文献翻译二、使用步骤1.引入库2.读入数据总结 一、文献翻译 知云文献翻译 基于区块链的边缘计算在深度神经网络中的应用 摘要:深度神经网络(DNN)应用需要大量的计算，因此物联网设备等硬件有限的嵌入式设备无法自行运行应用。一种解决方案是将DNN计算从客户端设备卸载到附近的边缘服务器[1]，请求使用其强大的硬件执行DNN计算。然而，该解决方案存在几个问题。一个是
edge-agent:基于agent-sdk的钱包实现
03-11
边缘代理边缘代理是涉及发送（创建）和接收（处理）代理消息的代理。成分测试开发人员贡献感谢您有兴趣贡献自己的力量。 请参阅我们的以获取更多信息。执照Apache许可证，版本2.0（Apache-2.0）。...
Decentralized event-triggered consensus control for second-order multi-agent systems
02-10
Decentralized event-triggered consensus control for second-order multi-agent systems
ipmail：星际邮件-使用IPFS的分散式电子邮件替代
02-02
星际邮件 行星际邮件（IPMail）是一种分散式电子邮件替代方案，它使用IPFS发送和接收加密的邮件。 在下载最新版本。 请注意，要下载这些构建，您必须登录到GitHub帐户。 建造 在或从您喜欢的软件包管理器中安装go...
awesome-federated-computing:关于联合计算的研究论文，代码，教程和博客的集合
05-13
出色的联合计算 以联合方式（分布式；分散式）进行的关于ML的研究论文，代码，教程和博客的集合。 维护者 内容 数据集 专案 网志 了解如何使Flower适应您的用例 Google AI关于联合学习的在线漫画 ...
迅为RK3562核心板四核A53+MaliG52架构,应用于商业平板电脑,视频会议,智能家居,教育电子,医疗设备,边缘计算,工业应用
mucheni的博客
07-09 583
迅为RK3562核心板四核A53+MaliG52架构,应用于商业平板电脑,视频会议,智能家居,教育电子,医疗设备,边缘计算,工业应用。
边缘计算盒子_B100_Jetson Nano （aarch64）开发环境搭建
ljn1046016768的博客
07-10 944
边缘计算盒子，B100 环境搭建
什么是边缘计算？创造一个更快、更智慧、更互联的世界
Daylighte的博客
07-10 675
边缘计算不限于任何行业或应用程序。各行业的组织都在利用这些解决方案来加速其应用程序并利用边缘AI的优势。例如零售业的智能购物体验、智慧城市的智能基础设施以及工业制造的自动化。
【边缘计算网关教程】4.西门子PPI协议对接
最新发布
zonghengzhikong的博客
07-12 799
适配PLC：S7-200西门子S7-200 PLC没有网口，只有串口。串口通信使用的是PPI协议，以下主要讲解EG8200Mini使用PPI协议读取西门子S7-200 PLC的数据。EG8200Mini和西门子S7 200通信之前，必须保证接线正确。PPI采用的是485通信，具体接线为3脚接A，8脚接B：实际接线图如下：红色是RS485A接S7 200的3脚，蓝色是RS485B接S7 200的8脚。
DEMON: a Local-First Discovery
05-19
DEMON is a Local-First Discovery protocol that focuses on peer-to-peer communication and data sharing. It aims to create a decentralized network where users can discover and connect with each other without relying on a central server. The protocol uses a distributed hash table (DHT) to store and share information about users and their devices. Each device on the network maintains its own copy of the DHT, allowing for local discovery and communication even when the internet is down or slow. DEMON also includes features such as end-to-end encryption and access controls to ensure that users have control over their data and who can access it. Overall, DEMON offers an alternative approach to traditional centralized discovery services, enabling users to connect and communicate in a more secure and decentralized manner.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值