.png){kind=icon}
返回
Reliability-aware task-driven serverless edge computing function deployment
.png){kind=icon}
PRE
AI
DOI：10.1016/j.comnet.2025.111673.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无服务器边缘计算（SEC）作为一种有前景的范式，通过实现轻量级函数的动态按需部署，提升了多接入边缘计算（MEC）系统的效率和可扩展性。尽管SEC系统的按需分布式执行增强了系统性能和资源利用率，但它也引入了特定的可靠性挑战，包括不可预测的任务分配、资源调度的复杂性增加以及函数部署失败风险加剧。此外，动态网络条件进一步加剧了这些问题，对整体服务可靠性构成严重威胁。因此，我们提出了一种面向可靠性、任务驱动的函数部署框架，用于SEC系统，该框架联合优化用户到基站的关联、传输功率分配和函数部署策略，以满足用户可靠性要求，同时最小化长期系统成本。所构建的问题是一个具有整数变量和顺序依赖关系的非凸非线性优化问题，这使得传统优化方法难以直接求解。为解决这些困难，我们将问题建模为马尔可夫决策过程，并设计了一种基于近端策略优化（PPO）的深度强化学习方法来寻找有效解。此外，采用贪心算法来优化动作，确保在优化过程中获得更好的解质量和性能。广泛的数值结果表明，与基线方法相比，我们的PPO方法能够满足用户可靠性要求并降低成本，凸显了其在动态环境下的SEC网络中的有效性。
期刊
IF:
4.6
论文数:
1.7K
被引数:
1.6W
机构
暂无机构信息
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
.png){kind=icon}
PREAI
分享收藏分享收藏Workflow Scheduling in Serverless Edge Computing for the Industrial Internet of Things: A Learning Approach工业物联网无服务器边缘计算中的工作流调度: 一种学习方法
PREAI
分享收藏Deep Reinforcement Learning for Scheduling Applications in Serverless and Serverful Hybrid Computing Environments无服务器和有服务器混合计算环境中的调度应用深度强化学习
PREAI
分享收藏
分享收藏
查看更多内容