一种基于知识驱动的模型选择与资源管理方法，该方法结合了信息熵理论

《Science China-Information Sciences》：A knowledge-driven model selection and resource management method with information entropy

物联网|移动边缘计算|人工智能|信息平面|深度强化学习

　　

摘要

物联网（IoT）、移动边缘计算（MEC）和人工智能（AI）技术的快速发展正在加速新型服务和应用的涌现，这些服务和应用对计算能力有很高的要求。这一现象导致设备和网络复杂性的呈指数级增长，从而催生了网络资源管理范式变革的需求。传统的资源管理策略主要关注减少设备延迟和能耗，但在多设备之间选择和共享智能模型方面相对较少关注。为应对这些挑战，本文提出了一种信息平面（IP）框架，用于评估模型的表示能力，以支持复杂的网络资源管理服务。此外，我们设计了一种基于深度强化学习（DRL）的资源管理方案，该方案考虑了延迟和能耗，并将模型表示能力作为新的评估指标，从而实现了知识驱动的智能模型选择和资源管理。具体而言，我们首先利用IP框架和区块链技术引入模型评估指标，确定网络中表现最佳的模型。然后，我们将资源管理问题建模为马尔可夫决策问题（MDP），以实现系统的最优决策和资源分配。实验结果表明，在MEC辅助的物联网场景中，与传统的资源管理方案相比，所提出的方案能够有效选择适合物联网设备的智能模型，并优化系统成本，其性能优于其他方案。具体来说，与传统方案相比，所提出的方案在模型表示能力上提升了高达7%，同时将延迟降低了25%，能耗减少了多达65%。