.png){kind=icon}
返回
AFAS: Arbitrary-Freedom Adaptive Scheduling for Multiworkflow Cloud Computing via Deep Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSM.2025.3566771.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能模型的深入发展支持了云计算资源的高效分配。由于计算任务的复杂性、计算资源的约束以及高质量服务需求的不断增长，云计算中工作流调度问题的优化日益关键。为解决云计算中日益复杂的工作流调度问题，本文提出了一种基于深度强化学习（Deep Reinforcement Learning, DRL）的任意自由度自适应调度方法（Arbitrary-Freedom Adaptive Scheduling, AFAS），以工作流完工时间和响应时间为优化目标。首先，我们定义了调度上下文中的自由度概念，以建立与多工作流调度相关的特征空间和基础决策模式。其次，针对多工作流调度任务，提出了一种自适应实时调度策略生成（Adaptive Real-Time Scheduling, ARS）算法。第三，为优化智能模型，设计了一种包含先进时间窗实时奖励（Advanced-Time-Window Real-Time-Reward, ATR）算法的复合奖励机制。最后，将生成算法与智能模型融合，实现任意自由度多工作流自适应调度。实验表明，ATR能够显著提高奖励生成频率，AFAS相较于现有方法性能提升至少6.6%，而智能模型的引入使ARS性能提升了2.7%。
Keyword:
Cloud computing
deep reinforcement learning
multiple workflows
arbitrary freedom
adaptive scheduling
期刊
IF:
5.4
论文数:
549
被引数:
9.2K
机构
引用论文
.png){kind=icon}
GARLSched: Generative adversarial deep reinforcement learning task scheduling optimization for large-scale high performance computing systemsGARLSched: 大规模高性能计算系统的生成对抗深度强化学习任务调度优化
PREAI
分享收藏
查看更多内容