.png){kind=icon}
返回
Data-intensive task scheduling in geo-distributed cloud computing: a deep reinforcement learning approach
.png){kind=icon}
OA
AI
DOI：10.1186/s13677-026-00894-6.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地理分布式云已成为现代云计算中日益常见的架构。通过将数据中心部署在多个地理区域，云服务提供商缩短了用户与云资源之间的距离，实现了全球低延迟服务交付。然而，这种架构为数据密集型任务的调度带来了新挑战，包括有限的区域间带宽和互联网服务提供商收取的高昂流量费用。这些因素会显著影响性能和成本效率。现有的地理分布式云调度方法通常依赖数学和元启发式方法，它们通常针对批处理任务，无法做出实时决策，且对变化的工作负载模式适应性有限。为解决这些限制，本文介绍了一种基于深度强化学习的框架，用于在地理分布的数据中心间调度数据密集型任务。该框架在考虑带宽约束和流量成本的同时进行实时调度，实现了任务响应时间和总运营成本的多目标优化。在多种工作负载下的广泛实验表明，所提出的方法在性能上优于或持平于所评估的基线方法。
Keyword:
Geo-distributed cloud computing
Data-intensive task scheduling
Deep reinforcement learning
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
J
IF:
0
论文数:
103
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容