.png){kind=icon}
返回
Intent-Based Resource Allocation in Edge and Cloud Computing Using Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.3390/a18100627.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在云和边缘环境中管理资源使用对于优化性能和效率至关重要。传统上，此过程需要详细了解可用基础设施且具有应用特定性。然而，用户通常无法准确指定其应用的低层需求，并且倾向于高估这些需求——这一问题因缺乏对基础设施特性的详细了解而进一步加剧。在此背景下，资源编排机制根据所提供的最坏情况假设进行分配，对整个基础设施的性能产生直接影响。在本工作中，我们提出了一种基于意图的资源编排机制，其中用户通过指定其期望的工作负载管理偏好（例如优先考虑高容量、低成本或其他标准）来提供高层数据负载需求。在此基础上，所提出的机制通过利用用户和基础设施提供商监控系统的反馈，采用强化学习方法动态地将资源分配给应用。我们将相应问题表述为离散时间、有限时域的马尔可夫决策过程。最初，我们使用表格Q学习法解决问题。然而，由于现实场景中固有的巨大状态空间，我们还采用了深度强化学习，利用神经网络进行Q值近似。所提出的机制能够根据用户和基础设施提供商的反馈持续调整资源分配方式。进行了一系列仿真实验，以证明所提出方法在基于意图的资源分配中的适用性，考察了各种方面和特性，并进行了比较分析。
Keyword:
resource allocation
intents
cloud computing
Q-learning
deep reinforcement learning
neural networks
期刊
IF:
2.1
论文数:
631
被引数:
5.4K
机构
引用论文
Q-Learning Aided Resource Allocation and Environment Recognition in LoRaWAN With CSMA/CA.png)
IEEE ACCESS
IEEE ACCESSIF3.6
PREAI
分享收藏Resource Management at the Network Edge: A Deep Reinforcement Learning ApproachIEEE NETWORK
IEEE NETWORKIF6.3
PREAI
分享收藏A survey on resource scheduling approaches in multi-access edge computing environment: a deep reinforcement learning study多访问边缘计算环境中的资源调度方法综述: 深度强化学习研究
OAAI
OAAI分享收藏Slicing the Core Network and Radio Access Network Domains through Intent-Based Networking for 5G NetworksElectronics
OAAI
ElectronicsIF0
OAAI分享收藏Data collection and quality challenges in deep learning: a data-centric AI perspective深度学习中的数据收集和质量挑战: 以数据为中心的人工智能视角
PREAI
分享收藏
查看更多内容