.png){kind=icon}
返回
Intelligent Function Scheduling for Serverless Architectures using Proximal Policy Optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s10723-026-09834-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无服务器架构实现了智能应用无需管理底层基础设施的执行。随着云服务的持续发展，容器在无服务器环境中被证明是虚拟化技术的完整且高效的解决方案。然而，由于函数调度不当，无服务器系统中的资源分配变得更加复杂。此外，响应延迟是影响无服务器范式性能的另一个关键方面。因此，为了应对上述挑战并平衡无服务器集群中成本、资源利用率和响应时间之间的权衡，提出了一种利用近端策略优化（PPO）的函数调度多智能体深度强化学习模型（MDRL-FP）。MDRL-FP模型通过考虑虚拟机（VM）开销、类型和约束来解决上述挑战。MDRL-FP模型从历史数据跟踪中识别负载模式和虚拟机类别，以生成高效的分配策略。实验结果表明，与最先进的方法相比，所提出的模型在成本上实现了约2-24%的降低，同时核心和内存利用率分别提高了9-34%和10-34%。
Keyword:
Function Placement
Deep Reinforcement Learning (DRL)
Resource management
Serverless computing
Virtual Machines (VM)
期刊
IF:
2.9
论文数:
762
被引数:
1.2K
机构
引用论文
Layer Dependency-Aware Learning Scheduling Algorithms for Containers in Mobile Edge Computing移动边缘计算中容器的层依赖感知学习调度算法
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Extending Kubernetes Clusters to Low-Resource Edge Devices Using Virtual Kubelets使用虚拟kubelet将Kubernetes集群扩展到低资源边缘设备
OAAI
OAAI分享收藏Enhancing task scheduling and QoS optimization in mobile edge computing via microservice-oriented container selection.png)
COMPUTING
COMPUTINGIF2.8
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
查看更多内容