Feb, 2024

分布式基础设施的高效资源调度利用协商能力

PDF
TL;DR提出了一种基于模糊逻辑的基于代理的自动协商资源调度系统，通过引入综合性协商游戏，根据协商结果对资源进行调度，从而达到更高效地利用资源的目的，并成功使用机器学习模型替代模糊协商系统以提高处理速度。
cloud computing infrastructurebargaining gameresource schedulingfuzzy logicmachine learning models
发现论文，激发创造
  • 基于人工智能方法在各种计算范式上资源分配问题的最新综述

    本研究综述了基于人工智能的各种优化分配方法，涵盖云计算、车辆雾计算、物联网、5G 网络、点对点网络、深度强化学习等各种计算环境，并介绍了基于深度学习的资源分配方法。

    Mar, 2022

  • 机器学习优化在云计算资源调度和管理中的应用

    本文通过使用机器学习优化技术，提出了一种创新的方法来解决云计算资源调度和管理中的复杂问题，通过对云环境中低资源利用率和负载不平衡等挑战的深入研究，本研究提出了包括深度学习和遗传算法等优化方法在内的全面解决方案，以提高系统性能和效率，从而在云计算资源管理领域带来新的突破和进展。合理分配资源在云计算中起着至关重要的作用。

    Feb, 2024

  • 基于多智能体强化学习的地理分布数据中心可持续负载调度

    本研究提出一种基于多智能体强化学习和演员 - 评论家方法的算法，通过与真实工作负载模式、能源价格和碳强度相互作用的云系统学习最优的协同调度策略，从而最大化 GPU 利用率、降低运营成本和减少碳排放。与其他算法相比，我们的方法提高了系统效用，最高可达 28.6％。

    Apr, 2023

  • 基于网络的云计算环境中的资源分配：设计挑战

    本篇论文讨论了云计算资源分配的核心问题，对计算资源、网络资源、能源消耗等多方面因素进行细致分析与探讨，为构建全面的、高效的、绿色可持续的云计算数据中心提供了参考。

    Sep, 2013

  • 基于 A3C 学习和残差循环神经网络的随机边缘云计算环境动态调度

    提出了一种基于 A3C 和 R2N2 的边缘云环境实时调度器，允许分散式学习，同时跨多个代理并利用时间模式提供有效的调度决策，实验表明在实际数据集上相比现有算法的能耗、响应时间、服务级别协议和运行成本等方面都有显著改进。

    Sep, 2020

  • 分布式机器学习资源上的混合算法选择和超参数调优：一种基于层次代理的方法

    该研究论文提出了一种全自动、协作的基于代理机制的方法，用于选择分布式组织的机器学习算法并同时调整其超参数，以实现扩展性、灵活性和鲁棒性。通过理论评估、形式验证和分析研究，证明了该技术的正确性、资源利用和计算效率。在对 24 种算法和 9 个数据集进行实验的基础上，提供了具体示例来展示所提出的方法在不同算法选项和数据集上的有效适应性和性能表现。

    Sep, 2023

  • 协商社会最优资源分配

    本文研究多智能体系统中的资源分配问题，应用福利经济学和社会选择理论来评估这种系统的社会福利，通过交易代理可以达成最优的资源分配。

    Sep, 2011

  • 加强基于深度学习和强化学习技术的 Kubernetes 自动调度以优化大规模云计算

    基于深度学习和强化学习的大规模云计算系统自动任务调度方案的研究和验证。

    Feb, 2024

  • 使用强化学习实现公平稳定的 DNN 多租户多加速器系统实时调度

    这篇论文解决了云服务中管理服务质量（QoS）的关键挑战，着重研究了个别租户期望和不同服务水平指标（SLI）的细微差别。它引入了一种新的方法，利用深度强化学习在多租户、多加速器的云环境中进行租户特定的 QoS 管理。所选择的 SLI，即截止时间满足率，允许客户为每个服务请求量身定制服务质量。提出了一种新颖的在线调度算法，针对多加速器系统中的深度神经网络，着重保证租户层面和模型特定的 QoS 水平，并考虑实时约束。

    Feb, 2024

  • 云计算中可延迟工作负载的在线调度的先进强化学习框架

    云计算平台中的高效资源利用与完美用户体验通常相互冲突。本文提出了一种名为 “云中可延迟作业在线调度” 的在线可延迟工作调度方法，采用深度强化学习模型学习调度策略，并利用多个辅助任务提供更好的状态表示和改进模型性能，从而在在线环境中合理安排部署计划，实现用户等待时间短、平台资源利用率高的目标。所提出的方法在公共数据集上进行了验证并展示了卓越的性能。

    Jun, 2024