.png){kind=icon}
返回
MADQL: Multi-Agent Deep Q-Learning for Optimized Job Scheduling in Serverless Computing
.png){kind=icon}
PRE
AI
DOI：10.1007/s13369-025-10461-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无服务器计算因其能够使服务提供商高效管理资源而受到广泛关注。在无服务器系统中，由于涉及详细的计费模块，提供商具有高效利用其基础设施的强烈动机。然而，无服务器工作负载的动态特性为并行处理和分布式计算应用中维持函数性能与资源效率带来了挑战。现有的启发式调度技术未能捕捉真实的动态性，并且常常忽视资源效率与应用性能。单智能体深度Q学习（SADQL）方法在简单环境中优化决策，但在处理动态无服务器环境的复杂性与需求方面存在困难。为克服这些限制，提出了一种多智能体深度Q学习（MADQL）框架。多个智能体通过解决无服务器应用中的资源过载与欠载问题，与能够动态扩展或缩减的系统进行交互。此外，通过AWS Lambda对真实世界数据集进行了实验分析。结果表明，该方法实现了显著改进，包括平均响应时间降低0.96%、成本降低1.46%、能耗降低2.43%以及CPU利用率降低15.79%。
Keyword:
Serverless computing
Multi-agent deep Q-Learning
Job scheduling
Performance
AWS Lambda
期刊
IF:
5.7
论文数:
4.8K
被引数:
1.1W
机构
引用论文
GeoPM-DMEIRL: A deep inverse reinforcement learning security trajectory generation framework with serverless computingGeopm-dmeirl: 基于无服务器计算的深度逆强化学习安全轨迹生成框架
PREAI
分享收藏Batch Jobs Load Balancing Scheduling in Cloud Computing Using Distributional Reinforcement Learning
PREAI
分享收藏Exploiting inherent elasticity of serverless in algorithms with unbalanced and irregular workloads
OAAI
OAAI分享收藏Efficient Auto‐scaling for Host Load Prediction through VM migration in CloudVerma, S.; Bala, A. 通过云中的虚拟机迁移进行主机负载预测的高效自动扩展。Concurr. Comput. Pract. Exp. 2024, 36, e7925. [Google Scholar] [CrossRef]
PREAI
分享收藏分享收藏Multi-Objective Workflow Scheduling With Deep-Q-Network-Based Multi-Agent Reinforcement Learning基于深度Q网络的多Agent强化学习的多目标工作流调度.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容