Badacze przedstawili nową metodę głębokich sieci neuronowych do rozwiązania problemu złożonej optymalizacji w sieciach łączących edge computing z chmurą. Problem polegał na tym, że w systemach hierarchicznych edge-cloud Computing (HECC) nierównomierne rozmieszczenie obciążenia między warstwą edge a cloud prowadzi do znacznych opóźnień i nieefektywnego wykorzystania zasobów, zwłaszcza gdy liczba zadań dynamicznie się zmienia.
Zaproponowana rama 2T-MDRL-LA (dwuskalowe głębokie uczenie RL z latentną przestrzenią działań) rozkłada złożony problem na dwa poziomy czasowe - długoterminową konfigurację systemu i krótkoterminową alokację zasobów. To podejście umożliwia efektywne rozwiązanie problemu, który klasycznie byłby zbyt skomplikowany dla tradycyjnych algorytmów optymalizacyjnych. Kluczową innowacją jest zastosowanie autoenkodera wariacyjnego do kompresji ogromnej przestrzeni możliwych działań systemowych, co pozwala na szybsze uczenie się modelu.
Wyniki symulacji pokazują, że nowe podejście osiąga zmniejszenie opóźnień end-to-end nawet o 20,8% w stosunku do najlepszych znanych metod gałęziowo-ograniczeniowych, jednocześnie lepiej adaptując się do zmiennych warunków sieciowych. To ważne dla praktycznych systemów edge-cloud, gdzie dynamiczne przybycie nowych zadań i heterogeniczne zasoby obliczeniowe stanowią codzienne wyzwanie.