Jul, 2024

基于强化学习的数据密集型工作流调度用于志愿者边缘云

PDF
TL;DR我们提出一种基于强化学习的数据密集型科学工作流调度方法，考虑到 Volunteer Edge-Cloud 资源的分布和异构性，以确保鲁棒的资源分配。通过将问题建模为马尔可夫决策过程，并使用基于事件的异步优势演员 - 评论家强化学习方法进行求解，我们在大量模拟和实验中证明了我们的方法在满足工作流需求、满足 Volunteer Edge-Cloud 资源偏好以及有效利用资源方面的优势。
发现论文，激发创造
  • 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

  • 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

  • 多接入边缘计算中的服务器放置和工作负载分配强化学习框架

    本研究提出了一种使用强化学习解决最小化网络延迟和边缘服务器数量的问题的新 RL 框架，该问题涉及云计算、多接入边缘计算、组合优化问题和马尔可夫决策过程。

    Feb, 2022

  • 基于多智能体强化学习的可重构智能表面辅助 VEC

    车辆边缘计算通过执行本地任务或将任务卸载到附近边缘设备来实现高强度任务处理，而可重构智能表面则通过灵活调整相位来提供替代通信路径。本文提出了一个新的深度强化学习框架，结合修改后的多智能体深度确定性策略梯度（MADDPG）方法和块坐标下降（BCD）算法，用于优化车辆用户（VUs）的功率分配和可重构智能表面的相位调整，在模拟结果中表现出优于集中式深度确定性策略梯度（DDPG）方案和随机方案的性能。

    Jun, 2024

  • 动态车联网中的 DNN 划分、任务卸载和资源分配：一种基于 Lyapunov 导引的扩散强化学习方法

    人工智能和深度神经网络在车辆网络生态系统中的快速发展引入了计算密集型任务，对单个车辆的计算资源需求超过其能力，为解决这一挑战，车辆边缘计算作为一个解决方案应运而生，通过车辆间 / 基础设施之间的通信资源池提供深度神经网络任务的计算服务，本文将 VEC 中的 DNN 划分、任务卸载和资源分配问题建模为动态长期优化问题，目标是在时间上保证系统稳定的同时尽量减少 DNN 任务的完成时间，首先利用 Lyapunov 优化技术将原始的长期优化问题与稳定约束解耦成每个时隙的确定性问题，然后提出了一种基于 Multi-Agent Diffusion-based Deep Reinforcement Learning (MAD2RL) 算法，通过创新性地使用扩散模型来确定最优的 DNN 划分和任务卸载决策，在 MAD2RL 中还将凸优化技术作为子程序加以整合来分配计算资源，提高学习效率，通过对真实世界车辆移动轨迹的模拟，我们证明了我们所提出的算法相对于现有的基准解决方案具有更优越的性能。

    Jun, 2024

  • 多资源多机器作业调度的深度强化学习

    本文在最小化数据中心网络中的工作调度时间方面进行了深入研究，提出了一种基于深度强化学习的改进方法并将其扩展到多个服务器群集，结果表明，相比于传统的资源分配算法，深度强化学习方法在各种复杂环境中有着出色的性能表现。

    Nov, 2017

  • 为数据处理集群学习调度算法

    本文介绍 Decima，它可以通过机器学习技术自动生成高效的特定工作量调度策略，这种方法可以显著提高数据处理作业的整体处理效率。

    Oct, 2018

  • 一种多任务方法的鲁棒深度强化学习用于资源分配

    通过将多任务学习应用于机器学习算法中，结合 Elastic Weight Consolidation 和 Gradient Episodic Memory 的方法，并与增强训练数据分布的现有技术进行比较，本研究证明多任务方法对处理医疗领域等特殊需求的稀有重大事件有很高的效果。

    Apr, 2023

  • 基于深度强化学习的车辆选择方法，在异步联邦学习启用的车辆边缘计算环境下

    因为传统的车联网在上传到云处理中会有延迟，所以为了解决这一问题并提高系统性能，引入了边缘计算，在此基础上采用联邦学习，其中异步联邦学习则采用深度强化学习作为车辆的选择问题模型，模拟结果表明有效提高了全局模型聚合的准确性。

    Apr, 2023

  • 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