.png){kind=icon}
返回
Energy-Efficient Dynamic Workflow Scheduling in Cloud Environments Using Deep Learning
.png){kind=icon}
OA
AI
DOI：10.3390/s25051428.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
云环境下的动态工作流调度是一项具有挑战性的任务，这主要源于任务依赖性、负载波动、资源变异性以及需要在调度时间跨度（makespan）和能耗之间进行平衡的需求。本研究提出了一种新颖的调度框架，该框架将图神经网络（GNNs）与深度强化学习（DRL）相结合，并采用近端策略优化（PPO）算法实现多目标优化，重点关注最小化调度时间跨度和降低能耗。通过利用GNNs对工作流中的任务依赖关系进行建模，该框架能够实现自适应且信息化的资源分配。代理（agent）在一个基于CloudSim的仿真环境中，使用合成数据集进行了评估。在基准数据集上的实验结果证明了所提出框架的有效性，与传统启发式方法相比，其在调度时间跨度和能耗方面均实现了持续改进。在中等规模数据集中，该框架实现的调度时间跨度为689.22 s，优于次优方法的800.72 s，与HEFT、Min-Min和Max-Min等基线方法相比，调度时间跨度显著降低了最高达13.92%，同时保持了10,964.45 J的竞争力能耗。这些发现表明，将GNNs与DRL相结合在云环境下的动态任务调度中具有潜力，能够有效平衡多个目标。
Keyword:
artificial intelligence
cloud workflow scheduling
Graph Neural Network
multi-objective optimization
reinforcement learning
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
暂无机构信息
引用论文
Multi-Agent Deep Reinforcement Learning Framework for Renewable Energy-Aware Workflow Scheduling on Distributed Cloud Data Centers面向分布式云数据中心可再生能源感知工作流调度的多Agent深度强化学习框架
PREAI
分享收藏HunterPlus: AI based energy-efficient task scheduling for cloud-fog computing environmentsHunterPlus: 云-雾计算环境下基于AI的高能效任务调度.png)
INTERNET OF THINGS
OAAI
INTERNET OF THINGSIF7.6
OAAI分享收藏
查看更多内容