Tiny Language Model Guided Flow Q Learning for Optimal Task Scheduling in Fog Computing

doi:10.3390/a19010060

2026-01-10

Bhargavi K *

Sajjan G. Shiva *

DOI：10.3390/a19010060

原文链接

原文求助

摘要

En 中文

雾计算是增长迅速的平台之一，对实时数据处理的需求呈指数级增长。预计到2030年，雾计算市场规模将达到83.58亿美元，年复合增长率为50%。全球各行业广泛采用雾计算，是由于其具有延迟降低、高运营效率和高数据隐私等优势。雾计算的高度分布式和异构特性带来了与资源管理、数据安全、任务调度、数据隐私和互操作性相关的重大挑战。任务通常表示由物联网设备生成的作业，而动作则表示执行任务的方式，其决策由调度器做出。任务调度是雾计算中的一个突出问题，包括在雾设备之间有效调度任务以有效利用资源并满足应用的服务质量（QoS）要求。不当的任务调度会导致执行时间增加、资源过度利用、数据丢失和可扩展性差。因此，需要在高度动态、资源受限的异构雾计算环境中进行适当的任务调度，以做出最优的任务分配决策。流Q学习（FQL）是一种强化学习算法的潜在形式，它使用流匹配策略进行动作分配。它可以处理复杂形式的数据和多种动作分布，使其适用于高度波动的雾计算环境。然而，流Q学习难以在表达流模型与Q函数减少之间实现适当的权衡，因为它依赖于一阶优化策略，这会导致估计的Q函数值产生偏差。Tiny语言模型（TLM）是大型语言模型（LLM）的一种显著更小的形式，旨在在设备受限环境中运行。它可以为具有不成比例偏差的深度学习模型提供公平和系统的指导。本文设计了一种新颖的TLM引导流Q学习框架，以解决雾计算中的任务调度问题。该框架结合了TLM的中立性和微调能力，以及FQL算法的快速生成能力。该框架使用Simcan2Fog模拟器进行模拟，考虑了有限和无限资源下雾环境的动态特性。结果表明，在执行时间、准确性、响应时间和延迟等参数方面性能良好。此外，使用期望值分析方法验证了获得的结果，结果令人满意。

Keyword:

fog computing

tiny language model

flow Q learning

service placement

optimal solution