Offloading pour les Mobile Edge Computing à l’aide de l’apprentissage par renforcement

Abstract

Avec l’avancement rapide des technologies mobiles et des applications gourmandes en ressources, le Mobile Edge Computing (MEC) s’est imposé comme une solution prometteuse pour soulager les dispositifs mobiles aux ressources limitées des taches intensives en calcul, permettant aux appareils de offloading des charges de travail vers des serveurs MEC voisins. Pour minimiser le cout de calcul moyen en termes de consommation d’énergie et de délai dans mémoire tampon, ce travail considère un système multi-utilisateurs activé par MEC afin d’étudier une stratégie de offloading de calcul basée sur l’apprentissage par renforcement pour construire un système évolutif et améliorer ses performances. Cette stratégie, fondée sur le Deep Deterministic Policy Gradient (DDPG) dans un espace d’actions continu, est adoptée pour apprendre des politiques de offloading de calcul pour tous les utilisateurs. Les résultats numériques indiquent que la stratégie DDPG permet `a chaque utilisateur d’apprendre une politique de offloading efficace et démontre sa supériorité aux approches basées sur des actions discrètes, comme le Deep Q-Network (DQN).