.png){kind=icon}
返回
A Dynamic Clustering Framework for Intelligent Task Orchestration in Mobile Edge Computing
.png){kind=icon}
OA
AI
DOI：10.3390/computers15040214.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
移动边缘计算（MEC）通过将任务卸载到附近的边缘服务器，使资源受限的移动设备能够执行延迟敏感和计算密集型应用。然而，MEC中的任务编排面临着高度动态的系统条件、不可靠网络和分布式边缘环境的挑战。此外，随着移动用户数量、任务数量以及分布式计算资源（边缘/云服务器）的增加，任务编排过程因决策空间扩大和需要在延迟及容量约束下高效分配异构资源而变得更加复杂。随着决策空间的增长，基于穷举搜索的编排变得计算上不可行。聚类方法通常仅依赖距离分组，而基于学习的方法需要大量训练和参数调整。为解决这些挑战，本文提出了一种基于多准则分层聚类的任务编排器（MCHC-TO），一种将多准则决策与分裂式分层聚类相结合的框架，用于偏好感知和自适应工作负载编排。首先使用多个决策准则评估边缘服务器，并利用生成的偏好排序形成分层偏好聚类。然后根据任务需求将传入任务分配到最合适的聚类中，从而实现高效资源利用和动态决策。使用边缘计算模拟器进行的广泛模拟表明，所提出的MCHC-TO框架持续优于基准方法，平均服务延迟和任务失败率分别最多降低48%和92%。这些结果突显了结合多准则评估与分层聚类在MEC环境中实现鲁棒和动态任务编排的有效性。
Keyword:
mobile edge computing
task offloading
edge orchestration
hierarchical clustering
multi-criteria decision making
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
4.2
论文数:
1.5K
被引数:
3.3K
机构
引用论文
Dynamic resource orchestration in edge computing environments using multi-agent reinforcement learning基于多智能体强化学习的边缘计算环境中的动态资源编排
PREAI
分享收藏Resource Allocation and Task Off-Loading for 6G Enabled Smart Edge Environments.png)
IEEE ACCESS
IEEE ACCESSIF3.6
PREAI
分享收藏CRITID: enhancing CRITIC with advanced independence testing for robust multi-criteria decision-makingSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏DeepEdge: A Deep Reinforcement Learning Based Task Orchestrator for Edge ComputingDeepEdge: 基于深度强化学习的边缘计算任务编排器
OAAI
OAAI分享收藏Task Offloading and Resource Allocation for Mobile Edge Computing by Deep Reinforcement Learning Based on SARSAIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Resource Allocation With Edge Computing in IoT Networks via Machine Learning通过机器学习在物联网网络中进行边缘计算的资源分配
PREAI
分享收藏
查看更多内容