.png){kind=icon}
返回
HyperGAC: Information Entropy-Driven Resource Allocation for Cloud-Edge-End Computing
.png){kind=icon}
PRE
AI
DOI：10.1007/s10723-025-09807-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
云边端计算凭借其低延迟和高可靠性，为新兴应用提供了良好的支持。资源分配策略对云边端系统的服务质量和服务响应时间具有显著影响。由于资源存储的去中心化、任务需求的剧烈波动以及云边端环境的复杂性，实现有效的资源分配仍面临挑战。现有的资源分配策略依赖静态模型或预定义规则，无法灵活应对实时网络条件及任务需求的变化，因此难以实现最优资源利用和有效负载均衡。因此，本文提出了一种基于信息熵（IE）驱动的云边端资源分配机制，称为HyperGAC。首先，采用信息熵量化资源波动，以准确捕捉资源需求的动态变化，并设计了一种基于熵的相关循环单元（ECRU）来预测服务器资源利用率。其次，利用超图来建模资源和任务之间的复杂关系，突破了传统图结构在多维关系建模上的局限性。最后，将超图神经网络（HGNN）集成到演员-评论家框架中，从超图关联模型中提取特征，并根据预测结果动态优化资源分配策略。实验结果表明，HyperGAC机制显著提升了资源利用率和负载均衡性能，同时有效降低了任务拒绝率。
Keyword:
Cloud-edge-end computing
Resource allocation
Information entropy
Resource utilization prediction
Deep reinforcement learning
期刊
IF:
2.9
论文数:
764
被引数:
1.2K
机构
引用论文
Deep-Learning-Based Wireless Resource Allocation With Application to Vehicular Networks基于深度学习的无线资源分配及其在车载网络中的应用.png)
PROCEEDINGS OF THE IEEE
OAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏EN-Beats: A Novel Ensemble Learning-Based Method for Multiple Resource Predictions in CloudEN-Beats：一种基于集成学习的云中多资源预测新方法
PREAI
分享收藏
查看更多内容