Edge Computing 5G pour l'Internet tactile : déchargement intelligent de tâches et allocation des ressources

Ce projet de thèse se concentre sur l'amélioration de la qualité de service (QoS) des équipements utilisateurs (UE) qui traitent les données tactiles dans un réseau 5G. Ces équipements utilisateurs (UE) coopèrent avec un serveur MEC (Multi-access Edge Computing) à proximité de la station de base pour obtenir une communication et un calcul de tâches à faible latence (URLL) ultra-fiables. Les UE sont des dispositifs à faible calcul par rapport au serveur MEC et ils traitent comme tâches des phrases issues de documents en braille sous forme de données tactiles. Dans le scénario envisagé, les UE ont des capacités de calcul et des ressources de communication différentes et ils traitent un nombre différent de tâches. Ces tâches ont des priorités, des tailles, des exigences de calcul et des dépendances différentes les unes des autres. Compte tenu de l'hétérogénéité de l'environnement et du manque de capacité de calcul suffisante au niveau des UE, un mécanisme adaptatif de déchargement des tâches et d'allocation des ressources est nécessaire pour réaliser la communication URLL et le calcul des tâches. Une approche d'apprentissage par renforcement méta asynchrone (MRL) est mise en œuvre pour le déchargement des tâches tactiles entre les UE et le serveur MEC. L'approche comprend un algorithme qui hiérarchise et organise les tâches UE en fonction de leur importance et de leurs interdépendances, et un algorithme MRL asynchrone profond modélise la politique de déchargement des tâches. L'algorithme MRL asynchrone met à jour les paramètres du méta-modèle de manière asynchrone, améliorant ainsi l'adaptabilité dans un environnement hétérogène. L'algorithme présente des performances globales améliorées en termes de latence d'apprentissage, de consommation d'énergie et d'utilisation de la mémoire et du temps CPU par rapport à une référence.L'algorithme d'allocation des ressources a été mis en œuvre à l'aide d'un algorithme RL basé sur Deep Deterministic Policy Gradient (DDPG) pour un espace d'action continu. Le modèle permet au serveur MEC de choisir la quantité optimale de ressources à attribuer à chaque UE en termes de consommation d'énergie et de délai de calcul.