Oct, 2021

强化工作负载分配公平性

PDF
TL;DR提出了一种分布式异步强化学习机制，用于提高负载均衡器实现的工作负载分配的公平性，评估并将其与最新的负载平衡算法在模拟器中进行比较，并指出今后的研究方向。
network load balancersdistributed asynchronous reinforcement learning mechanismworkload distributionperformancerl-based load balancing algorithms
发现论文，激发创造
  • 以马尔可夫潜在博弈方法学习分布式和公平的网络负载均衡策略

    本文利用多智能体强化学习框架，研究了数据中心（DCs）中多个负载均衡器（LBs）的网络负载均衡问题。将多智能体负载均衡问题表示为马尔科夫潜在博弈，并提出了一种全分布式的 MARL 算法，通过仿真实验证明了该算法的优越性。

    Jun, 2022

  • 通过高效的逆强化学习实现通信负载平衡

    本文提出了一种采用逆向强化学习方法来解决通信负载平衡问题的方案，并通过从一组演示中推断出奖励函数和学习负载平衡策略的方法，取得了在真实场景中更适用和更具一般性的效果。实验表明所提出的方案优于其他基线方法。

    Mar, 2023

  • 通过强化学习在动态系统中找到公平性的平衡点

    在这篇论文中，我们研究了在顺序决策中存在着动态系统的公平性问题，提出了一个基于马尔可夫决策过程的算法框架，通过预处理和处理中方法集成各种公平性考虑，平衡传统公平性、长期公平性和效用。

    Jan, 2024

  • 稠密网络中移动边缘计算的分散任务卸载和负载均衡

    我们研究了在一个拥有大量设备和一组边缘服务器的稠密网络中的分散任务卸载和负载平衡问题。通过将均值场多智能体多臂赌博（MAB）游戏与一种负载平衡技术相结合，调整服务器的奖励以实现目标人口分布，解决了由于未知网络信息和随机任务大小而导致的复杂优化问题。数值结果证明了我们方法的有效性和对目标负载分布的收敛。

    Jun, 2024

  • 基于控制屏障函数和深度强化学习的安全负载均衡

    我们提出了一种安全的基于深度强化学习和控制障碍函数的负载均衡算法，能在训练和测试过程中将不安全的操作转化为可行的操作，引导学习朝着安全策略的方向，并在 GPU 上实现了该解决方案，实现了模型更新和培训的加速，同时在满足链路容量限制的安全要求下交付接近最优的服务质量性能。

    Jan, 2024

  • 利用强化学习在多智能体马尔科夫决策过程中实现公平

    本文提出了一种基于强化学习和在线凸优化的方法来实现多智能体系统中的公平性，在保证植树的情况下为不同智能体提供公平奖励。该方法能够在未知环境中实现公平，并在实验中得到了验证。

    Jun, 2023

  • 超密集网络的负载均衡：基于深度强化学习的方法

    本研究提出了一种基于深度强化学习的移动负载平衡算法及其两层体系结构，用于解决超密集网络中的大规模负载平衡问题。经实验验证，该算法在非规则网络拓扑、相互干扰和随机用户移动等复杂条件下表现优于现有方法。

    Jun, 2019

  • 完全分布式雾计算负载均衡与多智能体强化学习

    提出了一种使用多智能体强化学习的全分布式负载平衡解决方案，通过智能地分布物联网工作负载，在提供公平资源利用的同时优化等待时间，从而最小化等待时间并改善端到端执行延迟。

    May, 2024

  • 未见流量场景下通信负载平衡的策略重用

    本研究提出了一种基于强化学习的策略重用框架，通过在各种交通场景下训练和存储策略，并结合流量条件，选择最适合的预训练策略以更好地解决通信网络负载均衡问题。实验结果表明，这种方法比传统的基于规则和适应性方法表现更出色。

    Mar, 2023

  • 基于强化学习的动态公平联邦学习

    提出了一种名为 DQFFL 的具有强化学习的动态 q 公平联邦学习算法，旨在通过迭代聚合过程的客户权重分配来缓解联邦学习中设备聚合的差异并提高公平性。实验证明，DQFFL 在整体性能、公平性和收敛速度方面优于现有方法。

    Nov, 2023