Artificial intelligence–based dependent task offloading in next-generation edge networks

Khan, Sangrez (2026). Artificial intelligence–based dependent task offloading in next-generation edge networks. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

The exponential growth of the Internet of Things (IoT) and the stringent latency requirements of Fifth Generation (5G) and future Sixth-Generation (6G) networks are driving the rapid evolution of Multi-Access Edge Computing (MEC). While MEC brings computational resources closer to end users to alleviate the burden on core networks, modern mobile applications such as Augmented Reality (AR), real-time video analytics, and autonomous driving have evolved from simple, independent requests into complex workflows modeled as Directed Acyclic Graphs (DAGs) with strict inter task dependencies. Traditional optimization techniques and heuristic methods often fail to address the high dimensionality, topological complexity, and dynamic nature of these heterogeneous environments. Furthermore, existing learning based solutions frequently neglect the structural dependencies of tasks or fail to account for the statistical heterogeneity inherent in distributed edge networks. To overcome these limitations, this thesis leverages advanced Artificial Intelligence (AI) techniques, including Graph Neural Networks (GNNs), Deep Reinforcement Learning (DRL), and Federated Learning (FL), to enable intelligent and robust resource orchestration. In this context, the present thesis investigates the joint optimization of dependent task offloading, resource allocation, and mobility management to enhance system efficiency, reliability, and privacy. Specifically, we propose three AI-driven frameworks to address the complexities of DAG based applications under realistic network constraints:

First we present an Energy-Aware Multi-user Dependent Task Offloading and Resource Allocation (EMDTORA) framework, which integrates Graph Attention Networks (GAT) with the Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm. This way, the system explicitly learns the structural embeddings of application DAGs. This allows the agent to identify efficient execution the sequence of dependent tasks that strictly bounds the application’s completion time and prioritize their execution. Simulation results demonstrate that EMDTORA significantly outperforms standard baselines in reducing the weighted Energy Time Cost (ETC). Following, we address the critical challenges of data privacy and statistical heterogeneity in distributed networks. Specifically, we introduce a Federated ensemble reinforcement learning (FEDORA) framework for directed acyclic graph (DAG)-based task Offloading and resource allocation in MEC. Since, conventional centralized training poses severe privacy risks and incurs high communication overheads, FEDORA employs a decentralized training architecture where edge nodes train local models and share only gradient updates. To mitigate client drift caused by diverse user behaviors, we utilize the FedProx aggregation algorithm combined with a novel Ensemble DRL architecture that decouples discrete offloading decisions from continuous resource allocation. This approach ensures robust convergence and generalization across heterogeneous environments without requiring raw data exchange. Finally, we tackle the stochastic nature of high speed mobility in Vehicular Edge Computing (VEC) by proposing a Dependent Task Offloading in Vehicular Edge Computing Using Trajectory-Aware Deep Reinforcement Learning and incorporate a mobility-aware scheme which traditionally often leads to high task failure rates for delay sensitive applications. By leveraging Transformer-based sequence modeling to accurately predict Roadside Unit (RSU) connectivity windows, this framework enables the DRL agent to proactively manage dependent task execution. This predictive capability ensures that tasks are only offloaded when reliable completion is guaranteed, thereby outperforms traditional methods in terms of delay, and energy.

Titre traduit

Déchargement de tâches dépendantes fondé sur l’intelligence artificielle dans les réseaux périphériques de nouvelle génération

Résumé traduit

La croissance exponentielle de l’Internet des objets (IoT) et les exigences strictes en matière de latence des réseaux de cinquième génération (5G) et de future sixième génération (6G) stimulent l’évolution rapide du calcul en périphérie multi-accès (Multi-Access Edge Computing, MEC). Bien que le MEC rapproche les ressources de calcul des utilisateurs finaux afin d’alléger la charge du coeur de réseau, les applications mobiles modernes, telles que la réalité augmentée (AR), l’analyse vidéo en temps réel et la conduite autonome, ont évolué de requêtes simples et indépendantes vers des flux de travail complexes modélisés sous forme de graphes orientés acycliques (Directed Acyclic Graphs, DAG) avec des dépendances inter-tâches strictes. Les techniques d’optimisation traditionnelles et les méthodes heuristiques peinent à traiter la forte dimensionnalité, la complexité topologique et la nature dynamique de ces environnements hétérogènes. De plus, les solutions d’apprentissage existantes négligent fréquemment les dépendances structurelles entre les tâches ou ne tiennent pas compte de l’hétérogénéité statistique inhérente aux réseaux distribués en périphérie. Pour surmonter ces limitations, cette thèse exploite des techniques avancées d’intelligence artificielle (IA), notamment les réseaux neuronaux de graphes (Graph Neural Networks, GNN), l’apprentissage par renforcement profond (Deep Reinforcement Learning, DRL) et l’apprentissage fédéré (Federated Learning, FL), afin de permettre une orchestration intelligente et robuste des ressources. Dans ce contexte, la présente thèse étudie l’optimisation conjointe du déchargement de tâches dépendantes, de l’allocation des ressources et de la gestion de la mobilité afin d’améliorer l’efficacité, la fiabilité et la confidentialité du système. Plus précisément, nous proposons trois cadres fondés sur l’IA pour répondre à la complexité des applications basées sur des DAG sous des contraintes réseau réalistes.

Nous présentons d’abord un cadre Energy-Aware Multi-user Dependent Task Offloading and Resource Allocation (EMDTORA), qui intègre des réseaux d’attention sur graphes (Graph Attention Networks, GAT) à l’algorithme Twin Delayed Deep Deterministic Policy Gradient (TD3). De cette manière, le système apprend explicitement des représentations structurelles des DAG applicatifs. Cela permet à l’agent d’identifier des séquences d’exécution efficaces des tâches dépendantes, de borner strictement le temps d’achèvement des applications et d’en prioriser l’exécution. Les résultats de simulation démontrent que EMDTORA surpasse significativement les approches de référence en réduisant le coût énergie-temps pondéré (Energy-Time Cost, ETC).

Ensuite, nous abordons les défis critiques liés à la confidentialité des données et à l’hétérogénéité statistique dans les réseaux distribués. À cette fin, nous introduisons un cadre Federated ensemble reinforcement learning (FEDORA) pour le déchargement de tâches basées sur des graphes orientés acycliques (DAG) et l’allocation des ressources en MEC. Étant donné que l’entraînement centralisé conventionnel présente des risques importants pour la confidentialité et engendre des surcoûts de communication élevés, FEDORA adopte une architecture d’apprentissage décentralisée dans laquelle les noeuds en périphérie entraînent des modèles locaux et ne partagent que des mises à jour de gradients. Afin d’atténuer la dérive des clients causée par la diversité des comportements des utilisateurs, nous utilisons l’algorithme d’agrégation FedProx, combiné à une nouvelle architecture DRL en ensemble qui dissocie les décisions discrètes de déchargement de l’allocation continue des ressources. Cette approche assure une convergence robuste et une bonne capacité de généralisation dans des environnements hétérogènes, sans nécessiter l’échange de données brutes.

Enfin, nous traitons la nature stochastique de la mobilité à grande vitesse dans le calcul en périphérie véhiculaire (Vehicular Edge Computing, VEC) en proposant un cadre Dependent Task Offloading in Vehicular Edge Computing Using Trajectory-Aware Deep Reinforcement Learning. Nous y intégrons un mécanisme conscient de la mobilité, alors que les schémas classiques, insuffisamment sensibles à la mobilité, entraînent souvent des taux élevés d’échec des tâches pour les applications sensibles aux délais. En exploitant la modélisation séquentielle basée sur les Transformers afin de prédire avec précision les fenêtres de connectivité des unités routières (Roadside Units, RSU), ce cadre permet à l’agent DRL de gérer proactivement l’exécution des tâches dépendantes. Cette capacité prédictive garantit que les tâches ne sont déchargées que lorsque leur achèvement fiable est assuré, et surpasse ainsi les méthodes traditionnelles en termes de délai et de consommation énergétique.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	informatique en périphérie mobile, apprentissage par renforcement profond, réseaux de neurones graphiques, apprentissage fédéré, déchargement de tâches, 6G, réseaux véhiculaires, graphes acycliques dirigés
Mots-clés libres:	Informatique en périphérie mobile, Apprentissage par renforcement profond, Réseaux de neurones graphiques, Apprentissage fédéré, Déchargement de tâches, 6G, Réseaux véhiculaires, Graphes acycliques dirigés
Directeur de mémoire/thèse:	Directeur(-trice) Leivadeas, Aris
Codirecteur:	Codirecteur(-trice) de mémoire/thèse Gascon-Samson, Julien
Programme:	Doctorat en génie > Génie
Date de dépôt:	21 mai 2026 15:08
Dernière modification:	21 mai 2026 15:08
URI:	https://espace.etsmtl.ca/id/eprint/3916

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt