GA-DRL：用于动态车载云上 DAG 任务调度的图神经网络增强深度强化学习
机器学习
2023-07-04 v1 人工智能
摘要
车载云（VCs）是在车辆上处理计算密集型任务的现代平台。此类任务常表示为由相互依赖顶点/子任务与有向边组成的有向无环图（DAGs）。本文提出一种图神经网络增强的深度强化学习方案（GA-DRL），用于在动态 VCs 上调度 DAG 任务。为此，我们首先将 VC 辅助的 DAG 任务调度建模为马尔可夫决策过程。随后采用多头图注意力网络（GAT）提取 DAG 子任务特征。我们所开发的 GAT 通过同时考虑各子任务的前驱与后继，实现 DAG 任务中拓扑信息的双向聚合。我们进一步通过编码不同子任务的调度优先级引入非均匀 DAG 邻域采样，使所开发 GAT 可泛化至完全未见过的 DAG 任务拓扑。最后，我们将 GAT 增强至双深度 Q 网络学习模块，依据提取的子任务特征进行子任务到车辆的分配，同时考虑 VCs 中车辆的动态性与异构性。通过基于车辆真实世界移动轨迹模拟各类 DAG 任务，我们证明 GA-DRL 在 DAG 任务完成时间上优于现有基准。
引用
@article{arxiv.2307.00777,
title = {GA-DRL: Graph Neural Network-Augmented Deep Reinforcement Learning for DAG Task Scheduling over Dynamic Vehicular Clouds},
author = {Zhang Liu and Lianfen Huang and Zhibin Gao and Manman Luo and Seyyedali Hosseinalipour and Huaiyu Dai},
journal= {arXiv preprint arXiv:2307.00777},
year = {2023}
}
备注
15 pages, 12 figures, regular journal