- 只做学习记录,侵删原文链接
@article{yu2020deep,
title={When deep reinforcement learning meets federated learning: Intelligent multitimescale resource management for multiaccess edge computing in 5G ultradense network},
author={Yu, Shuai and Chen, Xu and Zhou, Zhi and Gong, Xiaowen and Wu, Di},
journal={IEEE Internet of Things Journal},
volume={8},
number={4},
pages={2238–2251},
year={2020},
publisher={IEEE}
}
《When Deep Reinforcement Learning Meets Federated Learning: Intelligent Multitimescale Resource Management for Multiaccess Edge Computing in 5G Ultradense Network》当深度强化学习遇到联邦学习:5G超密集网络中多接入边缘计算的智能多时间尺度资源管理IEEE INTERNET OF THINGS JOURNAL一区
问题描述
研究目标
- 充分利用系统资源:边缘服务器分配各种系统资源(例如,计算、通信、存储和服务)来处理卸载的部分;
- 动态和低成本调度:服务缓存放置策略、计算卸载需要实时性以及低开销资源分配;
- 隐私和安全保护:服务在设备之间的迁移会导致许多安全和隐私问题。
解决方案
系统模型
本文讨论的问题在上图一个蜂窝内进行研究。
任务模型
任务之间存在也来关系由d的脚标表示。
计算卸载模型
卸载分为在本地、边缘服务器和其他设备。
算法设计
本文使用到了两时间刻度的DQN,DQN的简单介绍如下,参考的博客见图片水印。
T1服务放置为慢时间刻度,T2卸载决策和资源分配为快时间刻度。
下图为个人理解的整体算法套用过程,可能和原文有出入,仅供参考,以原作者为主。
实验部分不在此是赘述,感兴趣可以阅读原文。