Improving Online Computation Offloading in Mobile-Edge Computing Networks using Deep Reinforcement Learning - Dalam bentuk buku karya ilmiah
YOHANES ARMENIAN PUTRA

Informasi Umum

Kode

24.05.557

Klasifikasi

004.6 - Data communications, computer communications

Jenis

Karya Ilmiah - Thesis (S2) - Reference

Subjek

Computer Networks

Dilihat

115 kali

Informasi Lainnya

Abstraksi

Perkembangan perangkat mobile yang pesat dan meningkatnya permintaan layanan berlatensi<br /> rendah telah mendorong munculnya Mobile-Edge Computing (MEC) sebagai solusi yang<br /> layak untuk menghadapi tantangan ini. MEC menghadirkan komputasi dan penyimpanan<br /> lebih dekat ke pengguna akhir, mengurangi latensi dan meningkatkan pengalaman pengguna secara keseluruhan. Namun, sifat dinamis dan keterbatasan sumber daya pada<br /> lingkungan MEC menimbulkan tantangan signifikan dalam mengoptimalkan keputusan<br /> offloading. Algoritma deep reinforcement learning (DRL) tradisional, meskipun efektif,<br /> sering kali memperkenalkan overhead komputasi yang besar, membuatnya kurang cocok<br /> untuk sistem MEC yang terbatas sumber dayanya.<br /> Dalam penelitian ini, kami mengusulkan pendekatan baru untuk mengoptimalkan keputusan offloading dalam MEC dengan memodifikasi algoritma Nadam, menghasilkan versi<br /> baru yang disebut MyNadam. Modifikasi utama melibatkan penghapusan komponen u product<br /> untuk mengurangi kompleksitas komputasi sambil mempertahankan kecepatan konvergensi<br /> dan stabilitas. Kami mengevaluasi MyNadam terhadap beberapa optimasi yang ada, termasuk Adam, Adadelta, Adagrad, Adamax, Nadam, dan Ftrl, dalam berbagai skenario<br /> dengan jumlah iterasi dan beban pengguna yang berbeda. Eksperimen dirancang untuk<br /> menilai efisiensi, stabilitas, dan kinerja keseluruhan dari algoritma-algoritma ini dalam<br /> lingkungan MEC yang dinamis.<br /> Hasil eksperimen menunjukkan bahwa MyNadam mengungguli algoritma optimasi tradisional dalam beberapa aspek penting baik pada kondisi beban normal maupun alternatif.<br /> Secara spesifik, pada kondisi beban normal, MyNadam mencapai tingkat komputasi yang<br /> dinormalisasi sebesar 0,9935 pada 2000 iterasi, sambil secara signifikan mengurangi total<br /> waktu yang dikonsumsi dan waktu rata-rata per saluran dibandingkan dengan Adam dan<br /> Nadam. Pada skenario beban alternatif, MyNadam mempertahankan tingkat komputasi<br /> yang dinormalisasi sebesar 0,9955 dan terus menunjukkan efisiensi superior dengan meminimalkan waktu komputasi dan menjaga stabilitas di berbagai beban pengguna. Peningkatan<br /> ini menegaskan bahwa MyNadam tidak hanya efektif dalam mengoptimalkan keputusan<br /> offloading dalam MEC, tetapi juga adaptif terhadap berbagai tuntutan komputasi, menjadikannya solusi yang kokoh untuk lingkungan dengan keterbatasan sumber daya.

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook