.png){kind=icon}
返回
Adaptive Function Service Auto-Scaling for Serverless Computing via Deep Recurrent Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/tsc.2026.3710828.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为新兴的服务提供范式，函数即服务（FaaS）能够自动管理函数部署和资源扩展，从而降低运营开销，并经历了快速发展。FaaS的核心目标是提供按需弹性扩展，但现有的FaaS平台通常依赖基于固定阈值的扩展方法，这导致了几个严重问题。例如，阈值的设置高度依赖工程师的专业知识，难以处理动态工作负载和不可预测需求等意外情况。其他一些方法则忽视了若干性能指标。为解决这些问题，本文开发了一种新型的自适应自动扩展方法用于函数服务。我们的方法综合研究了包括CPU、内存、吞吐量、延迟和函数实例副本在内的一组性能指标。因此，我们的方法能够充分探索云工作负载的特性，特别是在动态条件下。我们为所有指标提供了一系列计算方法，并开发了一个多目标优化模型。此外，我们提出了一种定制的优化算法，旨在解决函数服务中常见的部分可观测性问题。我们通过引入RNN增强了近端策略优化（PPO），并开发了一种深度循环强化学习（DRRL）算法，其中我们还设计了一个新颖的多指标奖励函数。我们在开源FaaS平台OpenFaaS上进行了充分的实验，并采用了微软Azure发布的真实数据集。结果表明，与包括OpenFaaS中所用方法在内的一组强基线相比，我们的方法在所有指标上均持续实现更优性能。
Keyword:
Function service
serverless computing
auto-scaling
adaptive resource management
reinforcement learning
期刊
IF:
5.8
论文数:
2.2K
被引数:
6.5K
机构
引用论文
Traffic-Aware Horizontal Pod Autoscaler in Kubernetes-Based Edge Computing Infrastructure.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Efficient Perturbation Inference and Expandable Network for continual learningNEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏A review of research on reinforcement learning algorithms for multi-agents面向多智能体的强化学习算法研究综述NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Auto-scaling mechanisms in serverless computing: A comprehensive review无服务器计算中的自动扩展机制: 综合评述COMPUTER SCIENCE REVIEW
COMPUTER SCIENCE REVIEWIF12.7
PREAI
分享收藏
查看更多内容