基于深度强化学习的调度以优化边缘与雾计算环境中的系统负载与响应时间
分布式、并行与集群计算
2023-10-24 v2
摘要
边缘/雾计算作为一种分布式计算范式，满足了日益增长的物联网应用对低延迟的需求，并成为物联网应用背后的主流计算范式。然而，由于大量物联网应用需要在边缘/雾资源上执行，服务器可能过载。这可能会扰乱边缘/雾服务器，并对物联网应用的响应时间产生负面影响。此外，许多物联网应用由相互依赖的组件构成，为其执行带来额外约束。并且，边缘/雾计算环境与物联网应用本质上是动态且随机的。因此，在异构边缘/雾计算环境中高效且自适应地调度物联网应用至关重要。然而，边缘/雾服务器有限的计算资源为应用最优但计算密集的技术带来了额外负担。为克服这些挑战，我们提出一种基于深度强化学习的物联网应用调度算法，称为DRLIS，以自适应且高效地优化异构物联网应用的响应时间并平衡边缘/雾服务器的负载。我们将DRLIS实现为FogBus2函数即服务框架中的实用调度器，以创建边缘-雾-云集成的无服务器计算环境。大量实验结果表明，相较于元启发式算法与其他强化学习技术，DRLIS在负载均衡、响应时间与加权成本方面分别将物联网应用的执行成本显著降低达55%、37%与50%。
引用
@article{arxiv.2309.07407,
title = {Deep Reinforcement Learning-based Scheduling for Optimizing System Load and Response Time in Edge and Fog Computing Environments},
author = {Zhiyu Wang and Mohammad Goudarzi and Mingming Gong and Rajkumar Buyya},
journal= {arXiv preprint arXiv:2309.07407},
year = {2023}
}