.png){kind=icon}
返回
EDLW-S: Efficient Deep Learning-based Workflow Scheduling for Rapid Cloud Computing
.png){kind=icon}
PRE
AI
DOI：10.1007/s11036-025-02485-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
5G移动通信的快速扩张导致了多媒体数据流量和接收量的激增，给云计算系统在有限带宽下高效处理和管理数据带来了重大挑战。工作流调度包括高效的任务调度和资源分配，是云计算中实时多媒体应用的关键挑战。传统方法往往无法解决成本约束、处理延迟和任务优先级的问题。本研究提出了一种基于深度学习的5G云环境工作流调度框架。这是一个四步过程。首先，我们使用自适应直方图匹配（AHE）提高多媒体数据质量，解决了空间数据格式的问题。然后，我们使用Gabor变换生成数据时频分布的表示。接着，使用统计矩（SM）、局部二值模式（LBP）和局部最优估计（LOOP）进行特征提取。提取的特征函数通过广义正态分布优化（GNDO）进行优化。最后，FrameNet定制卷积神经网络（CNN）对优化后的特征函数进行分类，以实现任务的高效优先级排序和调度。所提出的解决方案——LW-WSOA算法——在工期和执行成本方面显著优于基线方法，实现了87.28%的工期减少和88.46%的执行成本减少。实验仿真证实，LW-WSOA优化了资源分配，保持了高精度，并提高了5G云系统的整体效率。此外，ANOVA验证了所述改进的统计显著性，进一步强调了该算法在下一代5G环境中需要快速处理和高吞吐量的实时多媒体应用中的有效性。
Keyword:
Cloud
Task scheduling
Optimization
Parameter extraction
Features selection
Deep learning
CNN
期刊
M
IF:
2
论文数:
38
被引数:
0
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容