.png){kind=icon}
返回
Energy-efficient deep reinforcement learning-based application scheduling for serverless computing environments
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-026-08349-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无服务器是一种新兴的云子集，它使用户能够在不管理服务器开销的情况下开发和执行代码。由于其易用性、可扩展性和资源有效性，它已获得广泛关注。无服务器作为函数即服务（FaaS），仅包含基于函数创建和部署来执行应用程序的功能。无服务器范式的关键特征是精细计费、固有可扩展性以及允许快速部署代码。FaaS正以指数速率取代基础设施即服务（IaaS），这是由于其广泛的优势。函数调度在平台高效运行中起着至关重要的作用，但在现有研究中受到的关注相对有限。在这种环境下，平衡能源效率与可靠的函数性能尤其具有挑战性，因为无服务器工作负载是高度动态的，且底层基础设施由多个租户共享。用户可能会面临各种困难，如选择适当的约束条件、监控等。现有的大部分文献综述关注启发式函数调度方法，这些方法未能捕捉由多租户和用户请求模式变化所带来的系统真实动态。另一方面，能源消耗是另一个关键领域，导致大量碳排放影响环境。为解决这些问题，本文提出了基于深度强化学习（DRL）的节能应用调度器（DEESched）用于无服务器环境。实验结果表明，基于DRL的调度器通过达到70-90%的持续准确率和最小利用率，优于其他基线调度器。
Keyword:
Serverless computing
FaaS
Function instance
Function scheduling
Energy efficiency
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
分享收藏Function-Aware Resource Management Framework for Serverless Edge Computing面向无服务器边缘计算的功能感知型资源管理框架
PREAI
分享收藏HyperGAC: Information Entropy-Driven Resource Allocation for Cloud-Edge-End ComputingHyperGAC: 基于信息熵驱动的云-边-端计算资源分配
PREAI
分享收藏分享收藏A multi-agent deep reinforcement learning approach for optimal resource management in serverless computing一种用于无服务器计算中优化资源管理的多智能体深度强化学习方法
PREAI
分享收藏Energy-aware systems for real-time job scheduling in cloud data centers: A deep reinforcement learning approach用于云数据中心实时作业调度的能量感知系统: 一种深度强化学习方法
PREAI
分享收藏
查看更多内容