차량 엣지 컴퓨팅 환경에서 강화학습 기반의 서비스 마이그레이션

문성원; 임유진; Sungwon Moon; Yujin Lim

연구문헌

국내 논문지

홈 > 연구문헌 > 국내 논문지 > 한국정보과학회 논문지 > 정보과학회논문지 (Journal of KIISE)

정보과학회논문지 (Journal of KIISE)

Current Result Document : 7 / 17 이전건 다음건

한글제목(Korean Title)	차량 엣지 컴퓨팅 환경에서 강화학습 기반의 서비스 마이그레이션
영문제목(English Title)	Service Migration Based on Reinforcement Learning in Vehicular Edge Computing
저자(Author)	문성원 임유진 Sungwon Moon Yujin Lim
원문수록처(Citation)	VOL 48 NO. 02 PP. 0243 ~ 0248 (2021. 02)
한글내용 (Korean Abstract)	사용자에게 초저지연 및 실시간 서비스를 제공할 수 있어 엣지 컴퓨팅은 사물인터넷을 이끌수 있는 유망 기술로 부상하고 있다. 하지만 사용자의 이동성과 엣지 서버의 제한적인 커버리지 때문에 서비스 중단과 QoS 저하를 초래한다. 그래서 끊김 없는 서비스를 보장하기 위해 서비스 마이그레이션이 중요한 이슈로 다뤄진다. 본 논문에서는 차량 엣지 컴퓨팅 환경에서 Q-learning 강화학습 기법을 사용하여 마이그레이션에 관해 결정하는 알고리즘을 제안한다. 제안한 알고리즘은 차량의 이동에 따라 마이그레이션 진행 여부와 대상을 결정하는 것이다. 제안한 알고리즘의 목적은 지연 제약조건을 충족하며 시스템 비용을 최소화하는 것이다. 본 논문에서는 제안 알고리즘의 성능 비교를 통하여 기존 기법에 비하여 마이그레이션 진행 여부와 대상 결정의 측면에서 더 나은 성능을 보임을 확인하였다.
영문내용 (English Abstract)	As edge computing can provide low latency and real-time services, it is emerging as a promising technology that can lead the Internet of things(IoT). However, user mobility and limited coverage of edge computing result in service interruption and reduce Quality of Service(QoS). Thus, service migration is considered an important issue to guarantee seamless service. In this paper, a migration decision algorithm is proposed using Q-learning, as a reinforcement learning method in the vehicular edge computing environment. The proposed algorithm decides whether or not to migrate and where to migrate in order to meet delay constraint and minimize system cost. In the performance evaluation, we compared propsed algorithm with other algorithms in terms of deciding whether or not to migrate and where to migrate, and our proposed algorithm shows better performance compared to the other algorithms.
키워드(Keyword)	차량 엣지 컴퓨팅 서비스 마이그레이션 강화학습 Q-learning vehicular edge computing service migration reinforcement learning Q-learning
파일첨부	PDF 다운로드