.png){kind=icon}
返回
Priority-Aware Resource Reallocation in Edge Computing Using Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10922-025-09992-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物联网应用的快速普及导致海量数据的持续产生，对高效处理、存储和实时响应交付提出了要求。边缘计算通过在数据源头附近进行处理，显著降低了延迟和拒绝率。然而，边缘节点上有限的异构资源为动态资源分配带来了挑战，尤其是在处理具有严格服务质量（QoS）要求和优先级变化的任务时。本文提出了一种基于强化学习的资源管理框架，能够在边缘环境中实现优先级感知的任务调度和动态资源再分配。“优先级”是指根据任务的紧急程度和资源需求将其分为关键、重要和一般三类。“再分配”涉及从低优先级任务中抢占式重新分配资源到高优先级任务，以满足截止时间约束并提高系统响应能力。我们设计了两种基于Q学习的算法：基于幕级别的再分配（Episode-Level Reallocation）和最终再分配（Final Reallocation），将任务分配问题表述为马尔可夫决策过程，并通过与环境交互学习最优策略。这些算法能够根据任务优先级和实时系统状态做出情境感知的决策。仿真结果表明，该方法可将关键任务的拒绝率降低高达30%，并实现超过80%的高优先级工作负载接受率。所提出的方法在动态边缘条件下展示了资源效率与QoS之间的有效权衡，优于基准Q学习算法和未考虑优先级的策略。
Keyword:
Acceptance rate
Edge computing
Reallocation algorithm
Reinforcement learning
Resource allocation
Response time
期刊
IF:
3.9
论文数:
1.0K
被引数:
1.3K
机构
引用论文
.png){kind=icon}
A Reinforcement Learning-Based Stochastic Game for Energy-Efficient UAV Swarm-Assisted MEC With Dynamic Clustering and Scheduling具有动态聚类和调度的基于强化学习的节能无人机群辅助MEC随机博弈
PREAI
分享收藏
A Learning-Based Stochastic Game for Energy Efficient Optimization of UAV Trajectory and Task Offloading in Space/Aerial Edge ComputingLi, J.; Shi, Y.; Dai, C.; Yi, C.; Yang, Y.; Zhai, X.; Zhu, K. 基于学习的随机博弈在空间/空中边缘计算中无人机轨迹和任务卸载的能效优化。IEEE Trans. Veh. Technol. 2025, 74, 9717–9733. [Google Scholar] [CrossRef]
PREAI
分享收藏Deep Reinforcement Learning Based Approach for Online Service Placement and Computation Resource Allocation in Edge Computing边缘计算中基于深度强化学习的在线服务放置和计算资源分配方法
PREAI
分享收藏Network Connectivity Resilience in Next Generation Backhaul Networks: Challenges and Future Opportunities下一代回程网络中的网络连接韧性：挑战与未来机遇
PREAI
分享收藏
查看更多内容