بازگشت به جستجو

بارگیری محاسباتی مبتنی بر منتقد نرم در چشم انداز به حداکثر رساندن طول عمر IoT-A با قابلیت MEC چند کاربره

عنوان	بارگیری محاسباتی مبتنی بر منتقد نرم در چشم انداز به حداکثر رساندن طول عمر IoT-A با قابلیت MEC چند کاربره
نویسنده	حیدرپور، ع.ر.، حیدرپور، م.ر.، اردکانی، م.، تلمبورا، ج.، اویسال، مورات
تاریخ انتشار:	2023-10-15
محل انتشار	- IEEE
موضوع	یادگیری تقویتی عمیق (DRL)، اینترنت اشیاء (IoT)، به حداکثر رساندن طول عمر، محاسبات لبه موبایل (MEC)، بازیگر نرم (SAC)
نوع	دوره ای
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	2327-4662
شماره ثبت	7a1981b7-fbb3-41ee-882e-138924d72966
محل کتابخانه	مهندسی برق و الکترونیک
تاریخ	2023-10-15
یادداشت‌ها	Telus Communications Inc. شورای تحقیقات علوم طبیعی و مهندسی کانادا
متن نمونه	این مقاله مشکل بهینه‌سازی طول عمر شبکه را در یک سیستم اینترنت اشیا (IoT) دارای محاسبات لبه موبایل چند کاربره (MEC) که شامل یک نقطه دسترسی (AP)، یک سرور MEC و مجموعه‌ای از دستگاه‌های موبایل K (MD) با ظرفیت باتری محدود است، مورد مطالعه قرار می‌دهد. با در نظر گرفتن انرژی باقیمانده باتری در MD ها، ورود وظایف تصادفی، و کانال های محو بی سیم متغیر با زمان، یک بهینه سازی طول عمر مبتنی بر Actor-Reinforcement عمیق (DRL)، به نام DeepLM، پیشنهاد شده است تا به طور مشترک نسبت تقسیم کار را بهینه سازی کند. تخصیص و تخصیص فرکانس چرخه CPU در سرور MEC با توجه به محدودیت بک لاگ در صف وظایف، محدودیت پهنای باند و حداکثر محدودیت های فرکانس چرخه CPU در MDs و سرور MEC. نتایج ما نشان می دهد که DeepLM از نرخ همگرایی سریع و دامنه نوسان کوچکی برخوردار است. ما همچنین عملکرد DeepLM را با سه طرح بارگیری معیار، یعنی محاسبات کاملاً لبه (FEC)، محاسبات کاملاً محلی (FLC) و تخلیه محاسبات تصادفی (RCO) مقایسه می‌کنیم. DeepLM طول عمر شبکه را 496% و 229% در مقایسه با طرح‌های FLC و RCO افزایش می‌دهد. جالب توجه است، زمانی که احتمال غیربافتی آن 0.99 باشد، به چنین پیشرفت عظیمی در طول عمر دست می یابد، در حالی که احتمال FEC، FLC، و RCO به ترتیب 0.69، 0.53 و 0.25 است که افزایش عملکرد قابل توجهی 30٪، 46٪ و 74٪ را نشان می دهد.
DOI	10.1109/JIOT.2023.3277753
Cilt	10

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

بارگیری محاسباتی مبتنی بر منتقد نرم در چشم انداز به حداکثر رساندن طول عمر IoT-A با قابلیت MEC چند کاربره

نویسنده حیدرپور، ع.ر.، حیدرپور، م.ر.، اردکانی، م.، تلمبورا، ج.، اویسال، مورات

تاریخ انتشار 2023-10-15

محل انتشار - IEEE

موضوع یادگیری تقویتی عمیق (DRL)، اینترنت اشیاء (IoT)، به حداکثر رساندن طول عمر، محاسبات لبه موبایل (MEC)، بازیگر نرم (SAC)

نوع دوره ای

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 2327-4662

شماره ثبت 7a1981b7-fbb3-41ee-882e-138924d72966

محل کتابخانه مهندسی برق و الکترونیک

تاریخ 2023-10-15

یادداشت‌ها Telus Communications Inc. شورای تحقیقات علوم طبیعی و مهندسی کانادا

متن نمونه این مقاله مشکل بهینه‌سازی طول عمر شبکه را در یک سیستم اینترنت اشیا (IoT) دارای محاسبات لبه موبایل چند کاربره (MEC) که شامل یک نقطه دسترسی (AP)، یک سرور MEC و مجموعه‌ای از دستگاه‌های موبایل K (MD) با ظرفیت باتری محدود است، مورد مطالعه قرار می‌دهد. با در نظر گرفتن انرژی باقیمانده باتری در MD ها، ورود وظایف تصادفی، و کانال های محو بی سیم متغیر با زمان، یک بهینه سازی طول عمر مبتنی بر Actor-Reinforcement عمیق (DRL)، به نام DeepLM، پیشنهاد شده است تا به طور مشترک نسبت تقسیم کار را بهینه سازی کند. تخصیص و تخصیص فرکانس چرخه CPU در سرور MEC با توجه به محدودیت بک لاگ در صف وظایف، محدودیت پهنای باند و حداکثر محدودیت های فرکانس چرخه CPU در MDs و سرور MEC. نتایج ما نشان می دهد که DeepLM از نرخ همگرایی سریع و دامنه نوسان کوچکی برخوردار است. ما همچنین عملکرد DeepLM را با سه طرح بارگیری معیار، یعنی محاسبات کاملاً لبه (FEC)، محاسبات کاملاً محلی (FLC) و تخلیه محاسبات تصادفی (RCO) مقایسه می‌کنیم. DeepLM طول عمر شبکه را 496% و 229% در مقایسه با طرح‌های FLC و RCO افزایش می‌دهد. جالب توجه است، زمانی که احتمال غیربافتی آن 0.99 باشد، به چنین پیشرفت عظیمی در طول عمر دست می یابد، در حالی که احتمال FEC، FLC، و RCO به ترتیب 0.69، 0.53 و 0.25 است که افزایش عملکرد قابل توجهی 30٪، 46٪ و 74٪ را نشان می دهد.

DOI 10.1109/JIOT.2023.3277753

Cilt 10