توضیحات
ABSTRACT
Computation offloading is a protuberant elucidation for the resource-constrained mobile devices to accomplish the process demands high computation capability. The mobile cloud is the well-known existing offloading platform, which usually far-end network solution, to leverage computation of the resource-constrained mobile devices. Because of the far- end network solution, the user devices experience higher latency or network delay, which negatively affects the real-time mobile Internet of things (IoT) applications. Therefore, this paper proposed near-end network solution of computation offloading in mobile edge/fog. The mobility, heterogeneity and geographical distribution mobile devices
through several challenges in computation offloading in mobile edge/fog. However, for handling the computation resource demand from the massive mobile devices, a deep Q-learning based autonomic management framework is proposed. The distributed edge/fog network controller (FNC) scavenging the available edge/fog resources i.e. processing, memory, network to enable edge/fog computation service. The randomness in the availability of resources and numerous options for allocating those resources for offloading computation fits the problem appropriate for modeling through Markov decision process (MDP) and solution through reinforcement learning. The proposed model is simulated through MATLAB considering oscillated resource demands and mobility of end user devices. The proposed autonomic deep Q-learning based method significantly improves the performance of the computation offloading through minimizing the latency of service computing. The total power consumption due to different offloading decisions is also studied for comparative study purpose which shows the proposed approach as energy efficient with respect to the state-of-the-art computation offloading solutions.
INTRODUCTION
The massive growth of mobile devices (e.g. smart phones, laptops, tablet pc’s, mobile IoT’s and automobiles) and their computation demands imposed a huge scarcity in communication network and computation resources. Some of the application services e.g. image processing and real-time translation services require extensive computation, the resource-constrained mobile devices are not the feasible domiciles to process those applications. Therefore, to meet the computation demands of such type of mobile devices and applications the outsourcing of computation is the demand inneed.
چکیده
تخلیه محاسباتی یک توضیح ساده برای دستگاه های تلفن همراه محدود به منابع است که برای انجام این فرآیند نیاز به توانایی محاسبه بالا را دارد. ابر تلفن همراه شناخته شده پلت فرم تخلیه موجود است، که معمولا راه دور پایان دور شبکه، برای استفاده از محاسبات از دستگاه های تلفن همراه محدود منابع. با توجه به راه حل های پایان یافته شبکه، دستگاه های کاربر دارای تاخیر بیشتر یا تاخیر در شبکه هستند که تاثیر منفی بر برنامه های کاربردی اینترنت (IoT) تلفن همراه در زمان واقعی دارد. بنابراین، این مقاله پیشنهاد راه حل شبکه نزدیک به پایان محاسبات offloading در لبه / مه متحرک. دستگاه های تلفن همراه تحرک، ناهمگونی و توزیع جغرافیایی
از طریق چندین چالش در تخلیه محاسبات در لبه / مه متحرک. با این حال، برای رسیدگی به تقاضای منابع محاسباتی از دستگاه های تلفن همراه عظیم، یک چارچوب مدیریت اتکایی مبتنی بر Q-based مبتنی بر یادگیری پیشنهاد شده است. کنترل کننده شبکه لبه / مه (FNC) از منابع موجود لبه / مه مانند پردازش، حافظه، شبکه برای فعال کردن سرویس محاسبه لبه / مه استفاده می کند. تصادف در دسترس بودن منابع و گزینه های متعدد برای تخصیص این منابع برای تخمین تخلیه محاسبات متناسب با مشکل مناسب برای مدل سازی از طریق تصمیم گیری مارکوف (MDP) و راه حل از طریق تقویت یادگیری است. مدل پيشنهادی از طريق MATLAB با توجه به نيازهای منابع نوسانی و تحرک دستگاههای کاربر نهایی شبيه سازی شده است. روش پیشنهادی عمیق عمیق Q-learning به طور قابل توجهی عملکرد تخلیه محاسبات را از طریق به حداقل رساندن تاخیر محاسبات سرویس بهبود می بخشد. کل مصرف برق با توجه به تصمیمات مختلف تخلیه نیز برای اهداف مقایسه مقایسه شده است که رویکرد پیشنهادی را به عنوان انرژی کارآمد با توجه به راه حل های تخلیه محاسباتی پیشرفته نشان می دهد.
مقدمه
رشد عظیم دستگاه های تلفن همراه (مانند تلفن های هوشمند، لپ تاپ ها، رایانه های قرص، IOT و وسایل نقلیه موبایل) و مطالعات محاسباتی آنها، کمبود شدید در شبکه های ارتباطی و محاسبات را به همراه داشت. برخی از خدمات نرم افزاری، به عنوان مثال پردازش تصویر و خدمات ترجمه در زمان واقعی نیازمند محاسبات گسترده ای هستند، دستگاه های تلفن همراه محدود به منابع، محل های قابل اجرا برای پردازش این برنامه ها نیستند. بنابراین، برای برآورده کردن تقاضای محاسبه چنین نوع دستگاه های موبایل و برنامه های کاربردی، برون سپاری محاسبات، نیاز داخلی است.
Year: 2018
Publisher : ELSEVIER
By : Md Golam Rabiul Alam , Mohammad Mehedi Hassan , Md. ZIa Uddin,Ahmad Almogren , Giancarlo Fortino
File Information: English Language/ 9 Page / size: 792 KB
سال : 1396
ناشر : ELSEVIER
کاری از : خانم گلم ربیع الام، محمد میثی حسن، خانم زیا عدین، احمد آلمغرن، جیانکارلو فرتینو
اطلاعات فایل : زبان انگلیسی / 9 صفحه / حجم : KB 792
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.