5G मल्टी-RAT URLLC और eMBB डायनामिक टास्क ऑफलोडिंग MEC संसाधन आवंटन के साथ वितरित गहन सुदृढीकरण सीखने का उपयोग करके

इस लेख में, गहन सुदृढीकरण शिक्षा (DRL) नियंत्रण योजना प्रस्तावित की गई है ताकि 5G बहु-रेडियो एक्सेस टेक्नोलॉजी (RAT)-आधारित आंशिक ऑफलोडिंग और मल्टीएक्सेस एज-कंप्यूटिंग (MEC) संसाधन आवंटन का उपयोग करके अल्ट्रा-विश्वसनीयता निम्न-लेटेंसी संचार (URLLC) और उच्च गति मोबाइल ब्रॉडबैंड (eMBB) की सख्त गुणवत्ता-की-सेवा (QoS) आवश्यकताओं को पूरा किया जा सके। प्रस्तावित योजना में, उपयोगकर्ता उपकरण (UE) अनुकूलन ऑफलोडिंग निर्णय लेते हैं जबकि MEC सर्वर DRL प्रौद्योगिकी का उपयोग करके कई UEs से ऑफलोडिंग अनुरोधों के आधार पर सर्वर संसाधनों को गतिशील रूप से समायोजित करता है। प्रस्तावित योजना का उद्देश्य UEs की ऊर्जा खपत को न्यूनतम करना है जबकि सिस्टम उपयोगिता (SU) प्रदर्शन को अधिकतम करना है, जो MEC सर्वर के स्पेक्ट्रल दक्षता (SE) और ऑफलोडिंग सफलता दर (OSR) में समाविष्ट है। इसके अलावा, बहु-एजेंट वितरित शिक्षा प्रौद्योगिकी और सर्वोत्तम अनुभव पुश (BEP) तकनीकें DRL ढांचे की सीखने की दक्षता को बढ़ाने के लिए उपयोग की जाती हैं। अनुकरण परिणाम दिखाते हैं कि प्रस्तावित योजना मानक ऑफलोडिंग योजनाओं की तुलना में बेहतर SU और ऊर्जा खपत प्रदर्शन प्रदान करती है।