机构名称：
¥ 1.0
摘要 - 我们在此工作边缘计算（EC）中考虑在多租户环境中：资源所有者，即网络运营商（NO），虚拟资源使资源虚拟化，并允许第三方服务提供商（SPS-租户）运行他们的服务，这可以多样化，并且具有异质要求。由于确保保证，NO无法观察到已加密的SPS的性质。这使资源分配决策具有挑战性，因为它们必须仅基于观察到的监视信息进行。我们专注于一个特定资源，即缓存空间，部署在某个边缘节点中，例如一个基站。我们研究了关于如何在几个SP中分区缓存的决定，以最大程度地减少上游流量。我们的目标是使用纯粹的数据驱动的，无模型的增强学习（RL）优化缓存分配。与RL的大多数应用程序不同，RL的大多数应用程序在模拟器上学习了决策策略，我们认为没有以前的知识可用于构建这种模拟器。因此，我们以在线方式应用RL，即通过直接扰动实际系统并监视其性能的变化来学习策略。由于扰动会产生虚假的流动，因此我们也限制了它们。我们在模拟中表明，我们的方法迅速融合了理论最佳，我们研究了它的公平性，对几种情况特征的敏感性，并将其与最先进的方法进行比较。我们的代码复制结果可作为开源。1
通过在线加固学习中的多租户边缘计算中的缓存分配
主要关键词
相关文件推荐
