.png){kind=icon}
返回
Dependency Aware Workflow Scheduling mechanism in cloud computing by using deep deterministic policy gradient algorithm
.png){kind=icon}
OA
AI
DOI：10.1080/08839514.2026.2700911.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
云计算-雾计算环境中的工作流调度是一个具有挑战性的多目标优化问题，由于任务依赖性、异构资源和动态变化的工作负载。现有的启发式和基于深度强化学习（DRL）的调度方法在整合依赖感知的任务优先级排序与实时资源分配以及可靠性感知的调度决策方面往往表现出有限的适应性。为解决这些局限性，本研究提出了一种自适应工作流调度框架，该框架集成了基于随机森林回归（RFR）的任务优先级估计与基于深度确定性策略梯度（DDPG）的连续动作调度机制。所提出的框架将科学和工业工作流建模为有向无环图（DAG），其中工作流依赖性被整合到任务优先级排序和调度决策中。开发了一种结合向上排名启发式算法和数据驱动任务排序的混合优先级估计机制，以提高依赖感知调度效率。此外，DDPG调度器在任务分配过程中动态考虑虚拟机（VM）可用性、工作负载条件、信任值、执行历史和可靠性指标。设计了一种多目标奖励公式，以联合优化工作流完成时间、资源利用率、能耗、信任度和可靠性。所提出的框架使用在SimPy环境基础上开发的定制离散事件模拟器实现，并使用Google集群工作负载跟踪在小规模（100–350任务）、中等规模（400–650任务）和大规模（700–1000任务）工作流场景中进行评估。实验结果表明，与现有的DRL方法（包括DQN、A2C和A3C）相比，所提出的框架将工作流完成时间减少了10.1%，将资源利用率提高到94.3%，将能耗降低了13.4%，并将调度可靠性提高了8.7%。结果表明，将依赖感知的任务优先级排序与连续动作强化学习相结合，可以显著提高动态云计算-雾计算环境中的自适应工作流调度性能。