.png){kind=icon}
返回
Learning Adaptive Multi-Timescale Scheduling for Mobile Edge Computing
.png){kind=icon}
PRE
AI
DOI：10.1109/TMC.2025.3548533.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在移动边缘计算（MEC）中，资源调度对任务请求的性能和服务提供商的成本至关重要，涉及多层异构调度决策。现有的MEC调度器通常采用静态时间尺度调度，其中调度决策在所有层级上以固定间隔定期更新。这种不灵活的更新时间尺度导致生产网络中性能不佳。本文提出EdgeTimer，一种前所未有的方法，能够自动且自适应地确定多个调度层级的各自更新时间尺度，以实现运营成本与服务性能之间的更好权衡。具体而言，我们设计了（i）一个三层分层深度强化学习（DRL）框架，用于高效学习紧密耦合的策略，（ii）一个定制的多智能体DRL算法用于分散式调度，并严格证明了其收敛性，以及（iii）一个轻量级系统防御者以确保确定性可靠性。此外，我们将EdgeTimer应用于广泛的Kubernetes调度规则，并使用不同工作负载模式的生产跟踪数据进行评估。通过广泛的跟踪驱动实验，我们证明了EdgeTimer能够在不牺牲延迟性能的情况下显著降低服务提供商的运营成本，从而提高整体利润，相比现有最优方法。
Keyword:
Mobile edge computing
resource scheduling
adaptive timescales
reinforcement learning
期刊
IF:
9.2
论文数:
5.6K
被引数:
1.8W
机构
引用论文
Price-Based Distributed Offloading for Mobile-Edge Computing With Computation Capacity Constraints
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏
查看更多内容