.png){kind=icon}
返回
Deterministic Delay-Aware Task Scheduling Over In-Network Computing: A Graph Embedding-Based DRL Approach
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSM.2026.3676106.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着网络内计算（INC）范式的演进，在复杂网络系统中高效调度依赖任务变得愈发关键。网络需要在满足严格延迟要求的同时处理高资源需求。确定性延迟约束在依赖有向无环图（DAGs）的应用中尤为关键。为应对此挑战，我们首先提出了一个针对INC的确定性延迟感知任务调度优化问题，以最大化资源利用率和确保任务接纳。我们通过流量到达和服务曲线精确建立复杂的确定性延迟约束，并利用网络微积分进行转换以简化求解。随后，我们将任务优化问题进一步转化为马尔可夫决策过程（MDP），并开发了一种结合图神经网络（GNN）和延迟感知近端策略优化（DPPO）的深度强化学习（DRL）算法，称为确定性延迟感知任务调度（DDTS）方案。该方案利用多层GNN处理任务依赖关系，并应用DPPO算法引入确定性延迟惩罚因子以评估策略操作，实现最优任务调度。仿真结果表明，在任务接纳率和资源利用率方面，DDTS方案相较于现有算法和任务调度方案具有显著优势。
Keyword:
Task scheduling
network calculus
deterministic latency
DRL
期刊
IF:
5.4
论文数:
637
被引数:
9.2K
机构
引用论文
In-Network Computation for Large-Scale Federated Learning Over Wireless Edge Networks无线边缘网络上大规模联邦学习的网络内计算
OAAI
.png){kind=icon}
OAAI分享收藏Optimizing Task Placement and Online Scheduling for Distributed GNN Training Acceleration in Heterogeneous Systems异构系统中优化分布式GNN训练加速的任务放置和在线调度
PREAI
分享收藏
Dynamic Job-Shop Scheduling Problems Using Graph Neural Network and Deep Reinforcement Learning基于图神经网络和深度强化学习的动态作业车间调度问题
PREAI
分享收藏
查看更多内容