关键词:
云计算
边缘计算
深度强化学习
动态调度
柔性动作-评价
图卷积
摘要:
文中研究了一个由多个边缘服务器和云服务器组成的异构云边环境,每个节点都具有计算、存储和通信能力。由于异构云边环境的不确定性和动态性,需要进行动态调度以优化资源和任务分配。传统的深度学习框架只从输入的任务数据中提取潜在的特征,大多数忽略了云边环境的网络结构信息。为了解决这个问题,文中基于Actor-Critic框架,利用柔性动作-评价(Soft Actor-Critic,SAC)经验训练的自进化能力和图卷积网络(Graph Convolutional Networks,GCN)中基于图的关系推演能力,提出了一种集中式的SAC-GCN算法。提出的SAC-GCN通过捕获动态的任务信息和异构的节点信息,采用自适应的损失函数来提供有效的调度策略,以适应不同的任务迁移需求。文中采用来源于真实世界的Bit-brain数据集,并通过Cloud-Sim进行大量模拟。实验结果表明,与现有算法相比,提出的SAC-GCN可以减少4.81%系统能耗,缩短3.46%任务响应时间和2.73%的任务迁移时间,以及减小1.5%的任务SLA违规率。