ارائه‌ی یک روش بارسپاری جزئی آگاه از کارایی در محاسبات لبه‌ای دسترسی چندگانه

فراگیری کاربردهای نوظهور چالش‌های جدیدی را در زمینه‌های مصرف انرژی، پردازش محاسبات و ذخیره‌سازی داده‌ها ایجاد کرده است. محاسبات لبه‌ای دسترسی چندگانه به عنوان یک الگوی محاسباتی نوین که می‌تواند بارکاری دستگاه‌های کاربران را به سرورهای قدرتمند موجود در محل آنها با صرف کمترین زمان و انرژی ممکن منتقل کرده و از این طریق موجب بهبود کیفیت ارائه خدمات و کارایی اجرای وظایف شود، امیدواری‌هایی را ایجاد نموده است. با توجه به اینکه در نظر گرفتن امکان بارسپاری وظایف و تخصیص منابع به صورت توامان در این الگوی محاسباتی یکی از اصلی‌ترین محورهای توجه برای کاربردهای آگاه از کارایی می‌باشد، در این مقاله به بررسی ریزدانه‌ی این مسئله در شرایط پویا و متغیر با زمان پرداخته شده است. هدف ایده‌ی پیشنهادی در این مقاله، کاهش هزینه‌ی نرمال‌شده‌ی سیستم ناشی از جمع وزن‌دار زمان تکمیل وظایف و میزان انرژی مصرفی آنها می‌باشد که این امر با ارائه‌ی راه‌حلی بر اساس یادگیری تقویتی بعد از فرموله‌سازی و مدل کردن مسئله صورت گرفته است. نتایج شبیه‌سازی‌های انجام شده تحت سناریوهای مختلف، بیانگر بهبود معیارهای زمان تکمیل وظایف و انرژی مصرفی آنها نسبت به سایر روش‌های موجود بوده که نهایتاً، به طور متوسط، منجر به کاهش 22 و 24 درصدی در سناریوهای ارزیابی هزینه‌ی نرمال‌شده‌ی سیستم شده است.

performance-aware partial task offloading in multi-access edge computing

the proliferation of new applications has led to new challenges in energy consumption, task processing, and data storage. multi-access edge computing (mec) is a new computational paradigm that can transfer workloads from users’ devices to powerful servers in the same location with the least possible time and energy overhead to improve the qos and performance measures. since joint task offloading and resource allocation in mec is one of the main concerns of performance-aware applications, this paper explores a fine-grained view to this problem under the dynamic and time-varying conditions of the entire system. the main goal of this paper is to reduce the normalized cost of the system, which is the weighted sum of the completion time and the consumed energy, by formulating the problem and proposing a new algorithm based on the reinforcement learning approach. the results of the simulations performed under different scenarios corresponding to the real-world systems show the improvement in the completion time and energy consumption of the tasks compared to other existing methods and leads to an average reduction of 22 and 24 percent in the scenarios related to the evaluation of the normalized cost of the system.