.png){kind=icon}
返回
Real-time task dispatching and scheduling in serverless edge computing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.adhoc.2025.103854.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
边缘计算将计算资源更靠近物联网（IoT）设备，显著降低了传输延迟和带宽使用。然而，边缘服务器的有限资源需要高效管理。无服务器计算通过其弹性资源供应满足这一需求，从而催生了无服务器边缘计算——一种有前景的计算范式。尽管其潜力巨大，但在无服务器边缘计算高度复杂和动态的环境中，实时任务分发和调度仍面临重大挑战。一方面，任务执行不仅需要充足的CPU资源，还需要空闲容器；另一方面，任务通常是事件驱动的，具有强突发性和高并发性，对快速决策提出了严格要求。为解决这些挑战，我们提出了一种实时任务分发和调度方法，旨在最大化任务的服务水平目标（SLO）满足率。首先，我们设计了一种名为自适应深度强化学习（ADRL）的任务分发算法。该算法能够基于粗略信息快速决定任务的执行位置，并有效适应动态环境中可用服务器的变化。其次，我们提出了一种名为热感知剩余空闲时间最短（WSRIT）的任务调度算法，该算法根据任务的剩余空闲时间以及热容器的状态，指导边缘服务器在请求队列中调度任务。考虑到边缘服务器有限的存储空间，我们进一步引入了一种名为低优先级优先（LPF）的容器替换算法，以确保容器启动的顺利进行。基于Azure数据集进行了广泛的仿真实验。结果表明，与现有方法相比，我们的方法可将SLO满足率提高12.57%至41.87%，并实现最低的冷启动率。
Keyword:
Edge computing
Serverless computing
Real-time tasks
Task scheduling
Deep reinforcement learning
期刊
IF:
4.8
论文数:
550
被引数:
6.2K
机构
引用论文
When Serverless Computing Meets Edge Computing: Architecture, Challenges, and Open Issues当无服务器计算遇到边缘计算时: 架构、挑战和开放问题
PREAI
分享收藏Edge Computing in Industrial Internet of Things: Architecture, Advances and Challenges工业物联网中的边缘计算: 架构、进展与挑战
PREAI
分享收藏Intra-slab COH fluid fluxes evidenced by fluid-mediated decarbonation of lawsonite eclogite-facies altered oceanic metabasalts.png)
Lithos
OAAI
LithosIF0
OAAI分享收藏
查看更多内容