基于 A3C 学习与残差循环神经网络的随机边-云计算环境动态调度
机器学习
2020-09-07 v1 分布式、并行与集群计算
摘要
基于物联网（IoT）的应用的普遍采用催生了雾计算范式，其可无缝利用移动边缘与云资源。在此类环境中高效调度应用任务颇具挑战性，原因在于资源能力受限、物联网中的移动性因素、资源异构性、网络层级结构以及随机行为。现有的启发式方法与基于强化学习的方法缺乏泛化性与快速适应性，因而未能最优地解决该问题。它们亦无法利用时序工作负载模式，且仅适用于集中式部署。然而，异步优势 actor-critic（A3C）学习已知能以较少数据快速适应动态场景，而残差循环神经网络（R2N2）可快速更新模型参数。因此，我们提出一种基于 A3C 的随机边-云环境实时调度器，支持跨多个 agent 的分散式并发学习。我们采用 R2N2 架构来捕获大量主机与任务参数以及时序模式，以提供高效的调度决策。所提模型具有适应性，能够依据应用需求调整不同超参数。我们通过敏感性分析阐明了超参数的选取。在真实世界数据集上的实验表明，与最先进算法相比，能耗、响应时间、服务等级协议和运成本分别显著改善了 14.4%、7.74%、31.9% 和 4.64%。
引用
@article{arxiv.2009.02186,
title = {Dynamic Scheduling for Stochastic Edge-Cloud Computing Environments using A3C learning and Residual Recurrent Neural Networks},
author = {Shreshth Tuli and Shashikant Ilager and Kotagiri Ramamohanarao and Rajkumar Buyya},
journal= {arXiv preprint arXiv:2009.02186},
year = {2020}
}
备注
Accepted in IEEE Transaction on Mobile Computing