TransEdge: GNN 및 DRL을 통한 엣지 컴퓨팅 기반 교통 시스템의 작업 오프로드

최근 몇 년간 엣지 컴퓨팅이 교통 시스템의 성능을 향상시키면서, 엣지 컴퓨팅 기반 교통 시스템에 대한 연구가 광범위한 주목을 받게 되었습니다. 그러나 대부분의 이전 연구에서는 교통 시스템의 작업 요청이 시간과 공간에 따라 불균형적으로 분포되어 있어, 엣지 서버의 과부하를 초래하고 높은 응답 지연을 발생시킨다는 점을 간과했습니다. 이를 위해 우리는 엣지 컴퓨팅 기반 교통 시스템(TransEdge)에서 그래프 신경망(GNN) 및 심층 강화 학습(DRL)을 기반으로 한 새로운 작업 오프로드 방식이 제안합니다. 구체적으로, 우리는 먼저 IoT 센서를 적절한 엣지 서버에 할당하기 위한 적응형 노드 배치 알고리즘을 제안하여 전송 지연을 최소화합니다. 그런 다음, 센서 간의 공간적 특징을 포착하기 위해 GNN 기반의 개선된 DRL 방식을 설계하여 작업 오프로드 결정의 정확성을 향상시키고자 합니다. 마지막으로, 서로 다른 엣지 서버 간의 협력적인 작업 오프로드를 달성하고 작업 요청의 급증으로 인한 시스템 불안을 극복하기 위해 탐욕적 알고리즘 기반의 작업 전달 전략을 소개합니다. 우리는 두 개의 실제 교통 데이터 세트에서 광범위한 실험을 수행하였습니다. 결과는 TransEdge가 네 가지 기준선에 비해 응답 지연을 최소 3.7% 줄이면서 99%의 성공률을 달성한다는 것을 보여줍니다.