C2MEC：基于深度强化学习的协作式多分割与多跳边缘计算

《ACM Transactions on Embedded Computing Systems》：c2mec: Cooperative Multi-split and Multi-hop Edge Computing Based on Deep Reinforcement Learning

针对物联网设备计算能力不足与AI应用需求矛盾，提出c2mec框架通过多服务器协作、任务路径优化及多智能体DRL算法实现高效资源管理，并采用能耗训练方法降低长期成本，实验证明其节能效果优于传统任务卸载方案。

　　

摘要

近期研究指出，现代物联网（IoT）设备的计算能力与人工智能（AI）应用所需的计算需求之间存在显著差距。边缘计算范式通过提供靠近数据源的可靠且快速的计算服务，为解决这一问题提供了有希望的方案。由于边缘服务器自身的资源限制，单个边缘服务器通常无法处理来自附近物联网设备的繁重计算负载，因此需要多服务器协同工作。然而，由于工作负载的动态变化和数据分布不均，实现高效协作颇具挑战性。为了解决这些问题，本文提出了一种新的解决方案，该方案通过优化任务执行路径和资源管理来提升边缘服务器的性能，尤其是在数据不平衡或物联网设备分布不均的场景中。我们的方法不仅部署了多个边缘服务器，还着重于计算任务的智能分配与管理。具体而言，我们提出了一个名为 c2mec 的协作式多分割、多跳边缘计算框架。该框架利用问题分解技术有效地分离了需要优化的各个变量。此外，c2mec 运用了基于多智能体的深度强化学习（DRL）算法来减轻解耦带来的负面影响，并提供了一种灵活的数据分割策略。最后，c2mec 设计了一种考虑能耗的训练方法，以降低物联网设备的长期训练成本。通过全面的实验结果，我们证明了与现有解决方案（如完全或部分任务卸载）相比，c2mec 在节能方面取得了显著提升。