.png){kind=icon}
返回
MSQL: Task scheduling optimization via memory sensitive reinforcement learning in heterogeneous cloud environments
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-026-08769-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着云计算的快速发展，异构硬件配置在现代数据中心中日益普遍。然而，现有的大多数任务调度方法假设资源同构，未能捕捉不同代CPU和内存设备之间的性能差异，导致资源利用率低下和任务执行时间延长。为解决这些挑战，本文提出了一种面向异构云环境的内存敏感型Q学习（MSQL）任务调度方法。通过引入CPU和内存资源的精细建模，所提出的方法根据内存带宽、延迟和容量特性动态优化任务-资源映射，从而提高资源利用率并最小化任务完成时间（工期）。具体而言，首先开发了一个内存性能评分模型，全面表征内存带宽、容量和延迟，以准确估计不同硬件配置下的任务执行效率。此外，将内存效率因子整合到奖励机制中，以增强内存资源调度。通过精心设计状态空间、动作空间和奖励函数，MSQL在探索与利用之间保持有效平衡，允许在动态变化的工作负载和资源配置下进行自适应调度决策。该机制不仅缩短了任务执行时间，还缓解了资源争用并提高了整体调度效率。大量实验表明，MSQL在计算密集型、数据密集型和混合工作负载中始终表现出卓越性能。与传统的先到先服务、蚁群优化、粒子群优化和基于遗传算法的调度器相比，所提出的方法显著降低了工期，同时提高了CPU和内存利用率，尤其在内存密集型场景下。得益于其自适应资源分配机制和内存感知调度策略，MSQL为异构云环境中的智能任务调度提供了稳健高效的解决方案。
Keyword:
Heterogeneous cloud computing
Task scheduling
Memory performance scoring model
Memory-sensitive Q-learning
Resource management
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
引用论文
分享收藏Balancing urban environmental and societal performance in high-density cities: Morphological trade-offs and optimization strategies in Shenzhen and Hong Kong在高密度城市中平衡城市环境与社会绩效：深圳和香港的形态学权衡与优化策略
OAAI
OAAI分享收藏S-PINN: Stabilized physics-informed neural networks for alleviating barriers between multi-level co-optimizationS-PINN：用于缓解多层级协同优化之间壁垒的稳定化物理信息神经网络
PREAI
分享收藏Hybrid gradient descent spider monkey optimization (HGDSMO) algorithm for efficient resource scheduling for big data processing in heterogenous environment.png)
JOURNAL OF BIG DATAOAAI
JOURNAL OF BIG DATAIF6.4
OAAI分享收藏SSUR: An Approach to Optimizing Virtual Machine Allocation Strategy Based on User Requirements for Cloud Data CenterSSUR: 一种基于用户需求的云数据中心虚拟机分配策略优化方法
PREAI
分享收藏A Two-Stage Framework for the Multi-User Multi-Data Center Job Scheduling and Resource Allocation多用户多数据中心作业调度和资源分配的两阶段框架IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容