Adaptive Multi-Objective Resource Allocation for Edge-Cloud Workflow Optimization Using Deep Reinforcement Learning

doi:10.3390/modelling5030067

Adaptive Multi-Objective Resource Allocation for Edge-Cloud Workflow Optimization Using Deep Reinforcement Learning

2024-09-18

0

OA

AI

DOI：10.3390/modelling5030067

原文链接

原文求助

摘要

En 中文

本研究探讨了智能技术在利用物联网和边缘-云平台进行智慧城市发展中的变革性影响。智慧城市发展通过整合多样化的数字技术，产生了大量对灾害管理中的信息决策和有效城市福祉至关重要的数据。边缘-云平台凭借其动态资源分配能力，在任务优先级排序、降低服务交付延迟以及确保关键操作获得及时计算能力方面发挥着关键作用，从而提升了城市服务水平。然而，当前方法难以满足复杂工作流应用严格的QoS要求。本研究通过为多样化城市环境引入多目标资源优化（MORO）调度器，解决了边缘-云的这些不足。该调度器强调细粒度任务优先级排序，并考虑多样化的完工时间、成本和能耗约束，凸显了任务的复杂性及对复杂解决方案的需求。通过采用深度强化学习（DRL）模型实现了多目标完工时间-能耗优化。仿真结果表明，针对SIPHT工作流的MORO相较于可靠性增强策略（RESWS）和多目标优先工作流调度（MOPWS），平均完工时间分别提升31.6%和70.09%，平均成本分别降低62.64%和73.24%，平均能耗分别减少25.02%和17.77%；针对CyberShake工作流的MORO相较于RESWS和MOPWS，平均完工时间分别提升37.98%和74.44%，平均成本分别降低65.53%和74.89%，平均能耗分别减少29.52%和24.73%，凸显了所提模型的效率增益。这些发现证实了该模型在提升计算效率、降低成本和改善能源节约方面的潜力，适用于实际智慧城市场景。

Adaptive Multi-Objective Resource Allocation for Edge-Cloud Workflow Optimization Using Deep Reinforcement Learning

摘要

期刊

机构

引用论文