Multi-Objective Deep Q-Network for Efficient Application Placement in Fog Computing

Arichi, Bochra

doi:10.1002/cpe.70695

Multi-Objective Deep Q-Network for Efficient Application Placement in Fog Computing

2026-04-01

0

PRE

AI

DOI：10.1002/cpe.70695

原文链接

原文求助

摘要

En 中文

从智能传感器到可穿戴监测器，物联网设备在医疗保健中的日益广泛应用已将有效资源管理提升至优先事项。这些设备产生大量敏感的实时数据，需要即时处理、严格的隐私保护和可靠的系统性能。通过将计算能力更靠近患者、医疗专业人员和医疗设备，雾计算克服了这些问题，并提供比传统基于云的系统更好的数据安全和更快的响应时间。然而，雾环境的动态和资源受限特性为应用部署和负载均衡带来了重大挑战。本研究提出了一种基于深度强化学习的创新方法，即双 Dueling 双重深度Q网络（D3QN），该方法整合了能力感知节点建模和全面的奖励函数，以确保在雾计算节点上实现智能、高效且平衡的应用部署。为保障实验一致性和真实性，我们采用iFogSim生成异构和动态的雾计算环境，以准确模拟医疗场景。这些环境直接集成到我们的基于Python的D3QN框架中，实现了全面的系统性能评估。实验结果表明，所提出的策略在雾计算环境中显著提升了部署时间、延迟、能效和资源利用均衡性。

Keyword:

application placement

D3QN

deep Q-network

fog computing

healthcare

iFogSim

IoT

load balancing

Python

reinforcement learning

resource management

Multi-Objective Deep Q-Network for Efficient Application Placement in Fog Computing

摘要

期刊

机构

引用论文