雾网络中隐私感知的负载均衡：一种强化学习方法
分布式、并行与集群计算
2023-11-14 v2
摘要
在本文中，我们提出一种基于强化学习（RL）的负载均衡算法，以优化雾计算在实时物联网应用中的性能。该算法旨在利用智能工作负载分配，在具有不可预测流量需求的动态环境中最小化物联网工作负载的等待延迟。与以往研究不同，我们的解决方案不需要来自雾节点的负载和资源信息，以保护服务提供商隐私，后者可能希望隐藏此类信息以防止竞争对手计算出更优定价策略。所提算法在离散事件模拟器（DES）上评估，以模拟真实环境中的实际部署，并将其泛化能力在比训练时更长的仿真中进行了测试。我们的结果表明，在不同工作负载生成速率下，我们所提方法优于基线负载均衡方法，同时确保了雾服务提供商的隐私。此外，我们为 RL 智能体提出的环境表示相较于文献中常用的、会损害隐私的 RL 解决方案表示展现出更优性能。
引用
@article{arxiv.2301.09497,
title = {Privacy-Aware Load Balancing in Fog Networks: A Reinforcement Learning Approach},
author = {Maad Ebrahim and Abdelhakim Hafid},
journal= {arXiv preprint arXiv:2301.09497},
year = {2023}
}
备注
10 pages, 10 figures, 1 table