메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Phoo Pyae Sone (Kyung Hee University) Md. Delowar Hossain (Kyung Hee University) Md. Nosin Ibna Mahbub (Kyung Hee University) Md. Imtiaz Hossain (Kyung Hee University) Ga-Won Lee (Kyung Hee University) Eui-Nam Huh (Kyung Hee University)
저널정보
Korean Institute of Information Scientists and Engineers 정보과학회 컴퓨팅의 실제 논문지 정보과학회 컴퓨팅의 실제 논문지 제31권 제1호
발행연도
2025.1
수록면
1 - 12 (12page)
DOI
10.5626/KTCP.2025.31.1.1

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
모바일 기기에서의 인공지능, 증강현실, 실시간 데이터 처리 등 계산 집약적인 어플리케이션 처리 요구 증대에 반해 지연, 에너지 효율성 저하, 네트워크 혼잡 등의 문제로 기존 클라우드 컴퓨팅 솔루션의 한계가 대두되고 있다. 모바일 에지 컴퓨팅(Mobile Edge Computing, MEC)은 컴퓨팅 자원을 사용자에게 가까이 배치하여 이런 한계를 극복하기 위한 진보적 기술이다. 그러나 변화가 많고 시간에 민감한 모바일 기기 환경에서 MEC 서버로 서비스 블록을 오프로딩 하기 위한 관리의 복잡성 문제와 사용자 데이터와 밀접한 개인 정보 보호 문제를 고려해야 한다는 새로운 문제에 직면하고 있다. 이런 문제를 해결하기 위해 효율적인 서비스 블록 오프로딩을 위한 연합 학습(Federated Learning, FL)과 심층 강화 학습(Deep Reinforcement Learning, DRL)을 결합한 새로운 해결 방법을 제시하고자 한다. 본 논문에서는 여러 모바일 기기가 무선 채널을 통해 컴퓨팅 집약적 서비스 블록을 MEC 서버로 오프로딩하는 연합 심층 강화 학습 기반 서비스 블록 오프로딩 결정 방법을 제안하기 위하여 시간 가변적인 동적 시스템에 필수적인 즉각적인 리워드의 평가를 목표로 DRL을 사용하여 서비스 블록의 오프로딩을 결정하고, 개인 정보 보호가 가능하면서 학습 프로세스의 가속화와 에너지 효율 향상이 고려된 FL을 동시에 제안한다. 제안 기법 시뮬레이션 결과 총 비용, 훈련 손실, 에너지, 시간 소모율 등에서 다른 기법 대비 유리한 것으로 분석되었다.

목차

요약
Abstract
1. Introduction
2. Related Work
3. System Model
4. Deep Reinforcement Learning-based Offloading Decision Scheme
5. Simulation Results and Discussion
6. Conclusion
References

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-25-02-092302003