.png){kind=icon}
返回
Time-Dependent Path Selection and Online Learning for Efficient DAG Task Offloading in In-Network Computing
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3662691.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种针对边缘计算网络中有向无环图（DAG）任务的计算路径选择和工作负载分配的联合优化方法。现有研究主要关注端到端延迟，通常局限于简单任务链，忽视了服务器运营成本和任务到达动态性等关键因素。为弥补这一差距，我们将在线调度问题建模为混合整数规划模型以最小化服务器运营成本和延迟。随后将该问题分解为最小延迟路径选择子问题和基于马尔可夫决策过程（MDP）的任务调度子问题。我们的解决方案包括一种延迟感知传输调度（LATS）算法和一种基于近端策略优化（PPO）的新型在线调度器。此外，我们利用图神经网络（GNN）和长短期记忆（LSTM）网络对系统状态进行编码，从而显著提升智能体对复杂环境的感知能力。最终，大量仿真结果表明，所提出的算法具有良好的适应性，并优于当前最先进的算法。
Keyword:
Directed acyclic graph (DAG) task offloading
in-network computing
path selection
reinforcement learning
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
A novel multi-objective optimized DAG task scheduling strategy for fog computing based on container migration mechanism一种基于容器迁移机制的雾计算多目标优化DAG任务调度策略
.png){kind=icon}
PREAI
分享收藏
分享收藏Digital Twin Enhanced Federated Reinforcement Learning With Lightweight Knowledge Distillation in Mobile Networks移动网络中具有轻量级知识提炼的数字孪生增强联邦强化学习
PREAI
分享收藏
分享收藏On-Line Learning-Based Allocationof Base Stations and Channels in Cognitive Radio Networks基于在线学习方法的认知无线电网络基站与信道分配
PREAI
分享收藏
查看更多内容