DOI: https://doi.org/10.1109/tii.2025.3563531
تاريخ النشر: 2025-05-07
المؤلف: Tianyi Shi وآخرون
الموضوع الرئيسي: إنترنت الأشياء والحوسبة الحافة/الضباب
نظرة عامة
في هذا البحث، يتناول المؤلفون تحديات تحميل الحسابات وتخصيص الموارد في أنظمة الحوسبة الطرفية المتنقلة (MEC)، وخاصة في بيئات متعددة المستخدمين والخوادم حيث تؤدي حركة الأجهزة إلى توزيع ديناميكي لطلبات الحوسبة. يحددون الحاجة إلى إدارة كل من الاعتمادات المكانية والزمنية بين المهام، مما يعقد تخصيص الموارد بسبب تباين التوافر والمنافسة. لمواجهة هذه التحديات، يقوم المؤلفون بصياغة مشكلة تقليل تكلفة تبادل التأخير والطاقة على المدى الطويل، مع التركيز على تحسين تحميل المهام وتخصيص الموارد. يقترحون نظام تقييم الأولويات لفصل اعتمادات المهام وتطوير مشكلة حقيبة الظهر المجمعة لتخصيص القنوات، مستفيدين من شبكة Q العميقة المزدوجة (D3QN) لتسهيل اتخاذ القرار.
تظهر النتائج أن خوارزمية تحميل المهام المعتمدة على D3QN المقترحة، المدمجة مع تخصيص القنوات متعددة الخلايا، تقلل بشكل كبير من تكاليف التأخير والطاقة في أنظمة MEC الديناميكية. تؤكد المحاكاة فعالية الخوارزمية وقابليتها للتكيف عبر سيناريوهات تطبيقية متنوعة. يقترح المؤلفون اتجاهات بحث مستقبلية، بما في ذلك دمج اعتبارات زمن التأخير في الاتجاهات السفلية ونشر طرق التعلم المعزز العميق (DRL) لسيناريوهات الوصول ذات الكثافة العالية على نطاق واسع، مع التأكيد على الحاجة إلى تقدم في التدريب الموزع وكفاءة الاتصال لتعزيز أداء نظام MEC.
مقدمة
في مقدمة هذه الورقة البحثية، يناقش المؤلفون أهمية الحوسبة الطرفية المتنقلة (MEC) في تلبية متطلبات الأداء للتطبيقات الحساسة للتأخير مثل الواقع الافتراضي والقيادة الذاتية. يبرزون قيود موارد الحافة مقارنة بخوادم السحابة، مما يستلزم استراتيجيات تحميل مهام فعالة لتحسين تأخير النظام، واستهلاك الطاقة، وتوازن الحمل. تستعرض الورقة الأساليب الحالية، بما في ذلك خوارزميات متنوعة مثل التحسين المحدب والتعلم المعزز العميق (DRL)، التي تهدف إلى تعزيز إدارة الموارد وتحميل المهام في بيئات MEC الديناميكية.
يحدد المؤلفون فجوة في الأبحاث الحالية فيما يتعلق بالاعتبار المتزامن للديناميات المكانية والارتباطات الزمنية في اعتمادات المهام، وخاصة في الهياكل الشبكية المعقدة. يقترحون إطار عمل MEC جديد يدمج هذه الجوانب، مستفيدين من خوارزمية تحميل المهام المعتمدة على شبكة Q العميقة (DQN) المدمجة مع تخصيص القنوات متعددة الخلايا. تهدف هذه الطريقة إلى تحسين تبادل التأخير والطاقة على المدى الطويل مع استيعاب حركة الأجهزة وتقلبات القنوات. توضح الورقة مساهمات عملهم، بما في ذلك صياغة مشكلة تقليل التكلفة، وتطوير خوارزمية تخصيص القنوات المعتمدة على البرمجة الديناميكية، والتحقق من الحل المقترح من خلال المحاكاة، مما يظهر فعاليتها في تقليل تكاليف النظام مع تحقيق توازن بين التأخير واستهلاك الطاقة.
نقاش
في هذا القسم، يقدم المؤلفون نموذج نظام شامل وصياغة مشكلة لتحسين تحميل المهام وتخصيص القنوات في بيئات الحوسبة الطرفية المتنقلة (MEC). يتضمن النموذج $N$ من الأجهزة المحمولة (MTs) و$M$ من الخوادم الطرفية (ESs)، حيث تقوم MTs بتنفيذ مهام يمكن معالجتها محليًا أو تحميلها إلى ESs. يتم تمثيل كل مهمة كرسوم بيانية موجهة غير دورية (DAG) مع اعتمادات محددة، حيث يعتمد تنفيذ المهمة على إكمال سابقتها. يحدد المؤلفون الرموز الأساسية والصياغات الرياضية لالتقاط العلاقات بين المهام، ومتطلباتها الحاسوبية، واستهلاك الطاقة المرتبط بها.
يحدد نموذج معالجة المهام أوقات الإكمال وتكاليف الطاقة للمهام المنفذة محليًا مقابل تلك المحملة إلى ESs، مع الأخذ في الاعتبار عوامل مثل وقت الاتصال وسعة الحوسبة. يقدم المؤلفون مشكلة تحسين مشتركة تهدف إلى تقليل مجموعة موزونة من التأخير واستهلاك الطاقة مع الالتزام بالقيود المتعلقة باعتمادات المهام وتخصيص الموارد. تم تحديد تعقيد هذه المشكلة كصعبة NP، مما يستلزم خوارزميات فعالة للتنفيذ العملي. لمعالجة ذلك، يقترح المؤلفون نهجًا قائمًا على البرمجة الديناميكية لتخصيص القنوات وطريقة تعلم معزز عميق (D3QN) لتحميل المهام، مما يضمن أن النظام يمكن أن يتكيف مع الظروف الديناميكية ويحقق تحسينًا فعالًا في استخدام الموارد.
DOI: https://doi.org/10.1109/tii.2025.3563531
Publication Date: 2025-05-07
Author(s): Tianyi Shi et al.
Primary Topic: IoT and Edge/Fog Computing
Overview
In this research, the authors address the challenges of computation offloading and resource allocation in mobile edge computing (MEC) systems, particularly in multi-user, multi-server environments where terminal mobility leads to dynamic distribution of computing requests. They identify the need to manage both spatial and temporal dependencies among tasks, which complicate resource allocation due to varying availability and competition. To tackle these challenges, the authors formulate a long-term delay-energy tradeoff cost minimization problem, focusing on optimizing task offloading and resource allocation. They propose a priority evaluation scheme to decouple task dependencies and develop a grouped Knapsack problem for channel allocation, leveraging a double duel deep Q network (D3QN) to facilitate decision-making.
The findings demonstrate that the proposed D3QN-based task offloading algorithm, integrated with multi-cell channel allocation, significantly reduces delay-energy costs in dynamic MEC systems. The simulations validate the algorithm’s effectiveness and adaptability across various application scenarios. The authors suggest future research directions, including the integration of downlink latency considerations and the deployment of deep reinforcement learning (DRL) methods for large-scale, high-density access scenarios, emphasizing the need for advancements in distributed training and communication efficiency to enhance MEC system performance.
Introduction
In the introduction of this research paper, the authors discuss the significance of Mobile Edge Computing (MEC) in meeting the performance demands of delay-sensitive applications such as virtual reality and autonomous driving. They highlight the limitations of edge resources compared to cloud servers, necessitating effective task offloading strategies to optimize system delay, energy consumption, and load balancing. The paper reviews existing approaches, including various algorithms like convex optimization and deep reinforcement learning (DRL), which aim to enhance resource management and task offloading in dynamic MEC environments.
The authors identify a gap in current research regarding the simultaneous consideration of spatial dynamics and temporal correlations in task dependencies, particularly in complex network architectures. They propose a novel MEC framework that integrates these aspects, utilizing a deep Q network (DQN)-based task offloading algorithm combined with multi-cell channel allocation. This approach aims to optimize long-term delay-energy trade-offs while accommodating the mobility of terminals and channel fluctuations. The paper outlines the contributions of their work, including the formulation of a cost minimization problem, the development of a dynamic programming-based channel allocation algorithm, and the validation of their proposed solution through simulations, demonstrating its effectiveness in reducing system costs while balancing latency and energy consumption.
Discussion
In this section, the authors present a comprehensive system model and problem formulation for optimizing task offloading and channel allocation in mobile edge computing (MEC) environments. The model involves $N$ mobile terminals (MTs) and $M$ edge servers (ESs), with MTs executing tasks that can either be processed locally or offloaded to ESs. Each task is represented as a directed acyclic graph (DAG) with specific dependencies, where the execution of a task is contingent upon the completion of its predecessors. The authors define key notations and mathematical formulations to capture the relationships between tasks, their computational requirements, and the associated energy consumption.
The task processing model delineates the completion times and energy costs for tasks executed locally versus those offloaded to ESs, incorporating factors such as communication time and computation capacity. The authors introduce a joint optimization problem aimed at minimizing a weighted combination of delay and energy consumption while adhering to constraints related to task dependencies and resource allocation. The complexity of this optimization problem is established as NP-hard, necessitating efficient algorithms for practical implementation. To address this, the authors propose a dynamic programming-based approach for channel allocation and a deep reinforcement learning method (D3QN) for task offloading, ensuring that the system can adapt to dynamic conditions and optimize resource utilization effectively.