| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2021-03-04 11:00 MEC環境における分散強化学習に基づくアプリケーションオフローディング機構 ○高村 壮・近藤賢郎・寺岡文男（慶大）  IN2020-67 |
|
| 抄録 | （和） | 本稿では Multi-access Edge Computing (MEC)環境を前提として，バッテリと計算リソースに制約のあるUser Equipment(UE)上で動作するアプリケーションのオフローディング戦略を，強化学習の一方式である分散強化学習に基づき決定する機構を提案する．本稿が想定する MEC環境は多数のUEと複数の MECサーバ，1つのクラウドサーバで構成される．アプリケーションを実行するUE群は近隣 MECサーバに，オフロード先の決定指標となる推定報酬値の計算を要求・収集する．UEは収集した推定報酬値からオフロード先のMECサーバを決定し，オフロードによるアプリケーションの実行結果を，MECサーバを介してクラウドサーバへ送信する．クラウドサーバは一定間隔で学習モデルを更新し，MECサーバ群へ同期する．以上の過程により，不安定な無線通信環境においてUEのバッテリ消費量削減が期待できる．評価では，UEにおけるゲームレンダリングを想定した画像処理アプリケーションに対するオフロード選択について，学習の収束速度とエネルギー消費量の点から評価した．UEの移動シナリオに則りUEの数を変化させて評価した．UEを20台配置した場合は1台配置した場合の9倍，10台配置した場合の2.4倍早く学習が収束し，エネルギー消費量を削減することができることが分かった． |
| （英） | This paper proposes a mechanism for determining the offloading strategy of an application running on a User Equipment (UE) with battery and computational resource constraints based on distributed reinforcement learning, a form of reinforcement learning, assuming a Multi-access Edge Computing (MEC) environment. The MEC environment envisioned in this paper consists of a large number of UEs, multiple MEC servers, and a cloud server. A group of UEs executing an application requests and collects from a neighboring MEC server an estimated reward value, which serves as a decision indicator for the offload destination, and the UE determines the MEC server for offloading based on the collected estimated reward values. The UE sends the results of the application execution via the MEC server to the cloud server. The cloud server updates the learning model at regular intervals and synchronizes it with the MEC servers. The above process is expected to reduce the battery consumption of the UEs in an unstable wireless communication environment.In the evaluation, we evaluated the offload selection for image processing applications in the UEs, assuming game rendering, in terms of learning convergence speed and energy consumption.The number of UEs was varied according to the mobility scenario of the UEs. 20 UEs converged 9 times faster than 1 UE, and 2.4 times faster than 10 UEs. | |
| キーワード | （和） | MEC / 深層強化学習 / 分散強化学習 / / / / / |
| （英） | MEC / Deep Reinforcement Learning / Distributed Reinforcement Learning / / / / / | |
| 文献情報 | 信学技報, vol. 120, no. 414, IN2020-67, pp. 79-84, 2021年3月. | |
| 資料番号 | IN2020-67 | |
| 発行日 | 2021-02-25 (IN) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | IN2020-67 |
|
| 研究会情報 | |
| 研究会 | IN NS |
| 開催期間 | 2021-03-04 - 2021-03-05 |
| 開催地（和） | オンライン開催 |
| 開催地（英） | Online |
| テーマ（和） | 一般 |
| テーマ（英） | General |
| 講演論文情報の詳細 | |
| 申込み研究会 | IN |
| 会議コード | 2021-03-IN-NS |
| 本文の言語 | 日本語 |
| タイトル（和） | MEC環境における分散強化学習に基づくアプリケーションオフローディング機構 |
| サブタイトル（和） | |
| タイトル（英） | Application Offloading Mechanism based on Distributed Reinforcement Learning in MEC Environment |
| サブタイトル（英） | |
| キーワード(1)（和/英） | MEC / MEC |
| キーワード(2)（和/英） | 深層強化学習 / Deep Reinforcement Learning |
| キーワード(3)（和/英） | 分散強化学習 / Distributed Reinforcement Learning |
| キーワード(4)（和/英） | / |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 高村 壮 / Soh Takamura / タカムラ ソウ |
| 第1著者 所属（和/英） | 慶應義塾大学 (略称： 慶大) Keio University (略称： Keio Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 近藤 賢郎 / Takao Kondo / コンドウ タカオ |
| 第2著者 所属（和/英） | 慶應義塾大学 (略称： 慶大) Keio University (略称： Keio Univ.) |
| 第3著者 氏名（和/英/ヨミ） | 寺岡 文男 / Fumio Teraoka / テラオカ フミオ |
| 第3著者 所属（和/英） | 慶應義塾大学 (略称： 慶大) Keio University (略称： Keio Univ.) |
| 講演者 | 第1著者 |
| 発表日時 | 2021-03-04 11:00:00 |
| 発表時間 | 20分 |
| 申込先研究会 | IN |
| 資料番号 | IN2020-67 |
| 巻番号（vol） | vol.120 |
| 号番号（no） | no.414 |
| ページ範囲 | pp.79-84 |
| ページ数 | 6 |
| 発行日 | 2021-02-25 (IN) |
[研究会発表申込システムのトップページに戻る]