エッジコンピューティングネットワークにおける深層強化学習に基づくタスクスケジューリング

5Gモバイルネットワークサービスの急速な発展に伴い、ネットワークエッジで膨大なデータが爆発的に増加しています。クラウドコンピューティングサービスは、長い遅延と巨大な帯域幅要件に悩まされています。エッジコンピューティングは、5Gモバイルネットワークにおけるサービスの遅延とトラフィック負荷を削減するための重要な技術となっています。しかし、エッジコンピューティング環境でタスクをインテリジェントにスケジュールする方法は、依然として重要な課題です。本稿では、クラウドエッジネットワークアーキテクチャにおけるタスクスケジューリングの遅延を最小化する最適化問題を定義します。本問題はNP困難であることが証明され、マルコフ決定過程に従ってモデル化されます。非同期利得アクタークリティックに基づくクラウドエッジ協調スケジューリングアルゴリズム（CECS-A3C）を設計しました。シミュレーション結果は、提案されたアルゴリズムが良好な収束速度を持ち、既存のDQNおよびRL-Gアルゴリズムと比較して、タスク処理時間を平均で28.3%および46.1%削減できることを示しており、パフォーマンスをスケーラブルに保ちながら機能します。