다중 에이전트 심층 강화 학습을 기반으로 하는 6G 네트워크에서의 효율적인 엔드–엣지–클라우드 작업 오프로드

여섯 번째 세대(6G) 네트워크의 지속적인 발전에 따라 다양한 애플리케이션 작업이 지속적으로 증가하고 있으며, 이에 따라 계산 압력이 증가하고 있습니다. 그러나 최적화된 작업 오프로드 접근 방식을 사용하더라도 하드웨어 자원 제한으로 인해 신속하게 확장되는 네트워크 애플리케이션의 전체 서비스 품질을 보장하는 것은 여전히 도전적입니다. 본 논문은 6G 네트워크의 엔드-엣지-클라우드 아키텍처에서 다중 에이전트 접근 방식을 활용하는 심층 강화 학습 기반 알고리즘을 제안합니다. 오프로드 문제는 NP-난해 문제로 전환되는 분산된 부분 관찰 마르코프 의사결정 과정으로 재구성될 수 있습니다. 우리는 사용자 장비(UE), 엣지 서버 및 클라우드 서버의 상태를 관찰하여 오프로드 지연 및 에너지 소비를 줄이는 다중 에이전트 깊은 결정론적 정책 기울기(MADDPG)를 기반으로 한 효율적인 알고리즘을 설계합니다. 수치 결과는 우리가 제안한 알고리즘이 기존의 접근 방식 및 최신 접근 방식에 비해 우수한 성능을 보임을 보여줍니다.