基于多智能体强化学习的全分布式雾负载均衡

实时物联网应用需要实时支持，以应对处理物联网工作负载对计算资源日益增长的需求。雾计算以分布式方式提供此类资源的高可用性。然而，必须有效地管理这些资源，以便在异构的雾资源之间分配不可预测的流量需求。本文提出了一种基于多智能体强化学习的全分布式负载均衡解决方案，该方案能够智能地分配物联网工作负载，以优化等待时间，同时在雾网络中提供公平的资源利用率。这些智能体利用迁移学习实现对环境动态变化的终身自适应。通过利用分布式决策，与单一集中式智能体解决方案和其他基线相比，MARL智能体能有效缩短等待时间，从而改善端到端执行延迟。除了性能提升外，全分布式解决方案还允许进行全球范围的部署，智能体可以在小型协作区域内独立工作，并利用附近的本地资源。此外，我们分析了以现实频率观察环境状态的影响，这与文献中不切实际的常见假设不同，后者假设对于每个所需动作，观测都是实时可用的。研究结果突出了使用基于区间Gossip多播协议在现实性与性能之间所做的权衡，与假设每个生成工作负载的观测均实时可用的对比。