Resumen

La vida útil limitada de la batería y los recursos computacionales deficientes de los terminales móviles son problemas desafiantes para las aplicaciones móviles intensivas en cómputo presentes y futuras. La informática móvil en el borde alimentada de forma inalámbrica es una de las soluciones, en la cual se utilizan la tecnología de transferencia de energía inalámbrica y las capacidades de los servidores en la nube en el borde de las redes celulares. En los sistemas de informática móvil en el borde alimentados de forma inalámbrica, los terminales móviles cargan sus baterías a través de señales de radiofrecuencia y transfieren sus aplicaciones al punto de acceso híbrido cercano en el mismo intervalo de tiempo para minimizar su consumo de energía y garantizar una conectividad ininterrumpida con el punto de acceso híbrido. Sin embargo, la división inteligente de la aplicación en subtareas, así como la partición inteligente del intervalo de tiempo para la recolección de energía y la transferencia de datos, es un problema complejo. En este documento, proponemos una novedosa política de asignación de tiempo y transferencia basada en aprendizaje profundo (DOTP) para entrenar una red neuronal profunda que divide la aplicación computacional en el número óptimo de subtareas, decide si las subtareas se deben transferir o ejecutar localmente (política de transferencia) y divide el intervalo de tiempo para la transferencia de datos y la recolección de energía (política de asignación de tiempo). DOTP tiene en cuenta el nivel actual de la batería, el consumo de energía y la demora de tiempo del terminal móvil. Se formula una función de costo integral, que utiliza todas las métricas mencionadas anteriormente para calcular el costo para todos los números de subtareas. Proponemos un algoritmo que selecciona el número óptimo de subtareas, la política de transferencia parcial y la política de asignación de tiempo para generar un gran conjunto de datos para entrenar una red neuronal profunda y así evitar una gran sobrecarga computacional en la transferencia parcial. Los resultados de la simulación se comparan con los esquemas de referencia de transferencia total, ejecución local y transferencia parcial. Es evidente a partir de los resultados que el algoritmo propuesto supera a los otros esquemas en términos de vida útil de la batería, demora de tiempo y consumo de energía, con una precisión del 75% de la red neuronal profunda entrenada. La disminución lograda en el consumo total de energía del terminal móvil a través de DOTP es del 45.74%, 36.69% y 30.59% en comparación con los esquemas de transferencia total, transferencia parcial y transferencia local, respectivamente.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Duración de la batería; Computación móvil de borde; Consumo de energía; Aprendizaje profundo; Política de descarga; Distribución del tiempo.
• Keywords:Battery life; Mobile edge computing; Energy consumption; Deep learning; Offloading policy; Time allocation