| مشخصات مقاله | |
| ترجمه عنوان مقاله | مهاجرت وظایف برای رایانش لبه موبایلی با استفاده از یادگیری تقویتی عمیق |
| عنوان انگلیسی مقاله | Task migration for mobile edge computing using deep reinforcement learning |
| انتشار | مقاله سال ۲۰۱۹ |
| تعداد صفحات مقاله انگلیسی | ۱۲ صفحه |
| هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
| پایگاه داده | نشریه الزویر |
| نوع نگارش مقاله |
مقاله پژوهشی (Research article) |
| مقاله بیس | این مقاله بیس نمیباشد |
| نمایه (index) | scopus – master journals – JCR |
| نوع مقاله | ISI |
| فرمت مقاله انگلیسی | |
| ایمپکت فاکتور(IF) |
۵٫۳۴۱ در سال ۲۰۱۷ |
| شاخص H_index | ۸۵ در سال ۲۰۱۹ |
| شاخص SJR | ۰٫۸۴۴ در سال ۲۰۱۷ |
| شناسه ISSN | ۰۱۶۷-۷۳۹X |
| شاخص Quartile (چارک) | Q1 در سال ۲۰۱۷ |
| رشته های مرتبط | مهندسی کامپیوتر – مهندسی فناوری اطلاعات |
| گرایش های مرتبط | رایانش ابری – هوش مصنوعی – الگوریتم و محاسبات – شبکه های کامپیوتری |
| نوع ارائه مقاله |
ژورنال |
| مجله / کنفرانس | سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems |
| دانشگاه | Department of Computer Science and Communications Engineering, Waseda University, Tokyo, Japan |
| کلمات کلیدی | مهاجرت سرویس، رایانش لبه موبایل، یادگیری تقویتی عمیق |
| کلمات کلیدی انگلیسی | service migration, mobile edge computing, deep reinforcement learning |
| شناسه دیجیتال – doi |
https://doi.org/10.1016/j.future.2019.01.059 |
| کد محصول | E12052 |
| وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
| دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
| سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
| فهرست مطالب مقاله: |
| Outline Highlights Abstract MSC Keywords ۱٫ Introduction ۲٫ Related work ۳٫ System model ۴٫ Problem formulation ۵٫ DQN Based task migration algorithm ۶٫ Performance evaluation ۷٫ Conclusion References |
| بخشی از متن مقاله: |
| Abstract Mobile edge computing (MEC) is a new network architecture that puts computing capabilities and storage resource at the edges of the network in a distributed manner, instead of a kind of centralized cloud computing architecture. The computation tasks of the users can be offloaded to the nearby MEC servers to achieve high quality of computation experience. As many applications’ users have high mobility, such as applications of autonomous driving, the original MEC server with the offloaded tasks may become far from the users. Therefore, the key challenge of the MEC is to make decisions on where and when the tasks had better be migrated according to users’ mobility. Existing works formulated this problem as a sequential decision making model and using Markov decision process (MDP) to solve, with assumption that mobility pattern of the users is known ahead. However, it is difficult to get users’ mobility pattern in advance. In this paper, we propose a deep Q-network (DQN) based technique for task migration in MEC system. It can learn the optimal task migration policy from previous experiences without necessarily acquiring the information about users’ mobility pattern in advance. Our proposed task migration algorithm is validated by conducting extensive simulations in the MEC system. |