산업용 사물인터넷을 위한 다중작업 다목적 심층 강화 학습 기반 계산 오프로드 방법

엣지 컴퓨팅은 네트워크 가장자리에 컴퓨팅 자원을 배치하기 위한 유망한 패러다임으로 부상했습니다. 그러나 대부분의 기존 계산 오프로드 전략은 지연 시간, 에너지 소비 및 지연 시간과 에너지 소비의 가중합과 같은 하나의 목표만 고려합니다. 이질적인 산업용 사물인터넷(IIoT) 시스템의 다양한 요구를 동시에 충족하는 것은 도전 과제입니다. 이 문제를 해결하기 위해, 클라우드-엣지-디바이스 컴퓨팅을 위한 다중 에이전트 심층 강화 학습(MADRL) 기반의 계산 오프로드 방법이 제안되며, 이는 다양한 작업의 요구 사항을 충족하는 것을 목표로 합니다. 제안된 모델에서는 두 가지 전형적인 작업 유형이 고려됩니다: 1) 지연 시간에 민감한 작업과 2) 에너지에 민감한 작업. 각 작업 유형은 클라우드, 엣지 또는 디바이스 레이어 중 하나에서 실행될 수 있습니다. 또한, MADRL 모델에서는 두 에이전트가 작업 특성과 네트워크 자원 상태에 따라 두 가지 유형의 작업에 대한 글로벌 오프로드 결정을 내리도록 정의됩니다. 실험 결과는 제안된 모델이 이질적인 IIoT 시스템에서 서비스 품질을 보장하고, 지연 시간과 에너지 소비 측면에서 가중합 최적화 방법보다 더 나은 시스템 성능을 달성할 수 있음을 보여줍니다.