PulseAugur
中
实时 10:41:40
English(EN) Multi-Agent Reinforcement Learning for Online Traffic Scheduling in Time-Sensitive Application

新的MARL框架大幅缩短边缘计算中XR流量延迟

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的多智能体强化学习（MARL）框架，用于改善时间敏感型网络（TSN）环境中的流量调度，特别适用于移动边缘计算（MEC）中的扩展现实（XR）等应用。提出的异构智能体近端策略优化（HAPPO）算法将每个TSN队列建模为一个可以与其他队列协调的独立智能体。该方法旨在解决动态流量条件下静态调度方法的局限性。模拟显示，该MARL框架将平均帧等待时间减少了高达26.8%，最坏情况延迟减少了约16.8%。 AI

影响 这项研究可能为XR等对延迟敏感的应用带来更高效、更具响应性的网络基础设施。

排序理由 详细介绍一种新的流量调度方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的MARL框架大幅缩短边缘计算中XR流量延迟

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Marcos Carvalho, Fatih Temiz, Shavbo Salehi, Melike Erol-Kantarci, Daniel F. Macedo ·

    面向时敏应用的在线交通调度多智能体强化学习

    arXiv:2608.05346v1 Announce Type: cross Abstract: Time-sensitive networking (TSN) is increasingly integrated into mobile edge computing (MEC) to support applications with stringent latency requirements, such as extended reality (XR). However, existing TSN scheduling solutions pre…

相关实体

相关话题