Offloading pour les Mobile Edge Computing à l’aide de l’apprentissage par renforcement / Yacine Khene

Public ISBD Titre : Offloading pour les Mobile Edge Computing à l’aide de l’apprentissage par renforcement Type de document : document multimédia Auteurs : Yacine Khene, Auteur ; Taher Bendouma, Directeur de thèse ; Idris Remmache, Directeur de thèse Editeur : Laghouat : Université Amar Telidji - Département d'informatique Année de publication : 2024 Importance : 69 p. Accompagnement : 1 disque optique numérique (CD-ROM) Note générale : Option : Réseaux,systèmes et applications réparties Langues : Français Mots-clés : Mobile Edge Computing (MEC)  Offloading  Apprentissage par renforcement  Deep Deterministic Policy Gradient (DDPG)  Système multiutilisateurs  Deep Q-Network (DQN) Résumé : Avec l’avancement rapide des technologies mobiles et des applications gourmandes en ressources, le Mobile Edge Computing (MEC) s’est imposé comme une solution prometteuse pour soulager les dispositifs mobiles aux ressources limitées des taches intensives en calcul, permettant aux appareils de offloading des charges de travail vers des serveurs MEC voisins. Pour minimiser le cout de calcul moyen en termes de consommation d’énergie et de délai dans mémoire tampon, ce travail considère un système multi-utilisateurs activé par MEC afin d’étudier une stratégie de offloading de calcul basée sur l’apprentissage par renforcement pour construire un système évolutif et améliorer ses performances. Cette stratégie, fondée sur le Deep Deterministic Policy Gradient (DDPG) dans un espace d’actions continu, est adoptée pour apprendre des politiques de offloading de calcul pour tous les utilisateurs. Les résultats numériques indiquent que la stratégie DDPG permet `a chaque utilisateur d’apprendre une politique de offloading efficace et démontre sa supériorité aux approches basées sur des actions discrètes, comme le Deep Q-Network (DQN). note de thèses : Mémoire de master en informatique Offloading pour les Mobile Edge Computing à l’aide de l’apprentissage par renforcement [document multimédia] / Yacine Khene, Auteur ; Taher Bendouma, Directeur de thèse ; Idris Remmache, Directeur de thèse . - Laghouat : Université Amar Telidji - Département d'informatique, 2024 . - 69 p. + 1 disque optique numérique (CD-ROM). Option : Réseaux,systèmes et applications réparties Langues : Français Mots-clés : Mobile Edge Computing (MEC)  Offloading  Apprentissage par renforcement  Deep Deterministic Policy Gradient (DDPG)  Système multiutilisateurs  Deep Q-Network (DQN) Résumé : Avec l’avancement rapide des technologies mobiles et des applications gourmandes en ressources, le Mobile Edge Computing (MEC) s’est imposé comme une solution prometteuse pour soulager les dispositifs mobiles aux ressources limitées des taches intensives en calcul, permettant aux appareils de offloading des charges de travail vers des serveurs MEC voisins. Pour minimiser le cout de calcul moyen en termes de consommation d’énergie et de délai dans mémoire tampon, ce travail considère un système multi-utilisateurs activé par MEC afin d’étudier une stratégie de offloading de calcul basée sur l’apprentissage par renforcement pour construire un système évolutif et améliorer ses performances. Cette stratégie, fondée sur le Deep Deterministic Policy Gradient (DDPG) dans un espace d’actions continu, est adoptée pour apprendre des politiques de offloading de calcul pour tous les utilisateurs. Les résultats numériques indiquent que la stratégie DDPG permet `a chaque utilisateur d’apprendre une politique de offloading efficace et démontre sa supériorité aux approches basées sur des actions discrètes, comme le Deep Q-Network (DQN). note de thèses : Mémoire de master en informatique

Réservation

Réserver ce document

Exemplaires

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MF 01-82	MF 01-82	CD	BIBLIOTHEQUE DE FACULTE DES SCIENCES	théses (sci)	Disponible

---

page 1/1