بهبود کارایی سامانه‌های محاسبات لبه‌ای دسترسی چندگانه با ارائه یک مدل بارسپاری وظایف مبتنی بر یادگیری تقویتی عمیق

با پیشرفت فناوری‌های 5g و ظهور شبکه‌های 6g، نیاز به راهکارهای بهینه برای پردازش و انتقال داده در محیط‌های پیچیده و پویا افزایش یافته است. محاسبات لبه‌ای دسترسی چندگانه (mec) به‌عنوان یک معماری نوین، امکان انتقال وظایف محاسباتی به سرورهای نزدیک به کاربران را فراهم می‌کند که با کاهش وابستگی به مراکز ابری، تاخیر و مصرف انرژی را بهبود می‌بخشد. با این حال، پویایی شبکه‌های بی‌سیم و تنوع نیازهای کاربران، مدیریت کارآمد منابع و بارسپاری وظایف را به چالشی مهم تبدیل کرده است. در این مقاله، یک مدل بارسپاری وظایف مبتنی بر الگوریتم یادگیری تقویتی عمیق ارائه شده است که با تفکیک فرایند یادگیری به دو شبکه عصبی، از مشکلاتی نظیر تخمین بیش‌ازحد مقادیر جلوگیری کرده و پایداری بالاتری در اتخاذ تصمیم‌گیری‌ها ارائه می‌دهد. مدل پیشنهادی با هدف کاهش هزینه کلی سامانه، شامل بهینه‌سازی توامان انرژی مصرفی و تاخیر وظایف، طراحی شده است. نتایج شبیه‌سازی‌های انجام‌شده نشان می‌دهد که روش ارائه‌شده در مقایسه با سایر راهکار‌های مورد مقایسه، کاهش قابل‌توجهی در هزینه کلی و بهبود میزان مصرف انرژی و تاخیر اجرای وظایف ارائه کرده و در محیط‌های پویا به‌طور میانگین 17% نسبت به آنها عملکرد بهتری از خود نشان داده است.