Key points are not available for this paper at this time.
Kollaboratives Edge-Computing (CEC) hat sich als vielversprechendes Paradigma entwickelt, das es Edge-Knoten ermöglicht, zusammenzuarbeiten und Aufgaben von Endgeräten auszuführen. Die Aufgabenverlagerung ist ein grundlegendes Problem im CEC, das entscheidet, wann und wo Aufgaben bei ihrem Eintreffen ausgeführt werden. Die Mobilität der Nutzer führt jedoch oft zu instabilen Verbindungen, was zu Netzwerkfehlern und einer Unterauslastung der Ressourcen führt. Bestehende Arbeiten haben die gemeinsame mobilitätsbewusste abhängige Aufgabenverlagerung und Netzwerkflussplanung nicht ausreichend adressiert, was zu Netzwerküberlastungen und suboptimaler Leistung führt. Um dies anzugehen, formulieren wir ein Online-Problem der gemeinsamen mobilitätsbewussten abhängigen Aufgabenverlagerung und Bandbreitenzuteilung, um die Servicequalität zu verbessern, indem die Aufgabenabschlussezeit und der Energieverbrauch verringert werden. Wir führen einen mobilitätsbewussten, digitalen Zwilling-unterstützten Algorithmus für tiefes verstärktes Lernen (MDT-DRL) ein. Unser digitales Zwillingsmodell unterstützt den Prozess des verstärkten Lernens, indem es zukünftige Zustände mobiler Nutzer bereitstellt und effiziente Verlagerungspläne ermöglicht, um sich an das mobile CEC-System anzupassen. Experimentelle Ergebnisse auf realen und synthetischen Datensätzen zeigen, dass MDT-DRL die aktuellen besten Baselines im Durchschnitt der Aufgabenabschlussezeit und des Energieverbrauchs übertrifft.
Chen et al. (Mon,) untersuchten diese Frage.