.png){kind=icon}
返回
AEDS: An Affinity-Driven Efficient DRL-Based Task Scheduling Framework for Edge Computing
.png){kind=icon}
PRE
AI
DOI：10.1109/TMC.2025.3608263.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
边缘计算是一种有前景的范式，它将计算资源部署在网络边缘以提供服务。许多现有解决方案利用深度强化学习（DRL）来优化任务调度，但它们通常依赖于全局调度方法。然而，这类解决方案导致决策搜索空间过大，降低了复杂环境中的任务调度效率。此外，冷启动问题阻碍了最优调度策略的生成。为解决这些挑战，我们提出了AEDS，一个基于DRL的任务调度框架，旨在提升调度效率。AEDS从三个方面优化决策过程：(1) 决策空间缩减。 AEDS引入了一种新颖的亲和度匹配机制，根据任务特征识别最合适的边缘集群，从而显著缩小决策搜索空间。(2) 决策过程优化。 AEDS采用结合离线预训练和在线微调的混合策略来解决冷启动问题。使用历史任务数据的离线预训练确保了有效的初始调度，而在线微调则定期更新DRL模型，以增强对动态系统变化的长期能适应。(3) 决策策略校准。 AEDS提出了一种任务迁移方案，以动态适应实时工作负载变化。它利用三重队列评估服务器过载情况，并通过互联集群内的任务迁移动态校准调度策略。全面的实验结果验证了AEDS的有效性。与现有框架相比，AEDS将任务延迟降低了28.23%，并将任务完成率提高了10.28%。此外，通过有效缩小决策范围，AEDS将决策过程加速了惊人的88.06%。
Keyword:
Internet of Things
edge computing
task scheduling
deep reinforcement learning
期刊
IF:
9.2
论文数:
5.6K
被引数:
1.8W
机构
引用论文
.png){kind=icon}
MESON: A Mobility-Aware Dependent Task Offloading Scheme for Urban Vehicular Edge Computing介子: 一种基于移动感知的城市车载边缘计算任务卸载方案
OAAI
OAAI分享收藏A hybrid flow shop scheduling optimization using puma optimizer: Addressing energy efficiency and workforce restrictions基于Puma优化器的混合流水车间调度优化：解决能源效率与劳动力限制问题OAAI
OAAI分享收藏Com-DDPG: Task Offloading Based on Multiagent Reinforcement Learning for Information-Communication-Enhanced Mobile Edge Computing in the Internet of VehiclesCom-ddpg: 基于多agent强化学习的任务卸载，用于车联网中的信息通信增强型移动边缘计算
PREAI
分享收藏Reliability-aware Dynamic Service Chain Scheduling in 5G Networks based on Reinforcement Learning
PREAI
分享收藏Digital Twin-Driven Intelligent Task Offloading for Collaborative Mobile Edge Computing面向协作移动边缘计算的数字孪生驱动智能任务卸载OAAI
OAAI分享收藏
查看更多内容