.png){kind=icon}
返回
Workflow offloading for energy minimization under deep reinforcement learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s00607-025-01576-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着需要云、边缘和终端设备处理的计算密集型工作流数量不断增加，以优化工作流的系统整体能耗，大量的能耗已被消耗。鉴于工作流中数据规模的动态特性，采用数据压缩技术以减少传输能耗，或将任务直接卸载到边缘和云设备执行。为选择适合这些工作流的设备以最小化能耗十分困难。为解决工作流任务数据的动态变化和资源的异构特性，我们提出了一种基于深度强化学习（DRL）的新型卸载方案。我们首先提出了将能耗作为关键因素考虑的任务优先级算法。随后，基于马尔可夫决策过程（MDP）构建了一个数学模型，该模型同时考虑任务和系统状态以最小化系统整体能耗。最后，我们采用深度强化学习中的深度Q网络（DQN）算法对所提出的MDP模型进行训练，其中对DQN算法的经验回放机制进行了改进以提高学习效率。为验证所提出的方法，我们进行了实验以调整算法参数，并评估数据压缩在能耗优化中的显著优势。与其他算法相比，所提出的算法能在相同能耗下执行相同的工作流应用，并具有可接受的调度长度。MSC:
Keyword:
Deep reinforcement learning
Computing offloading
Edge computing
Energy consumption
Data compression
期刊
C
IF:
2.8
论文数:
2.3K
被引数:
3.5K
机构
引用论文
Dependent task offloading with deadline-aware scheduling in mobile edge networks移动边缘网络中具有截止时间感知调度的依赖任务卸载.png)
INTERNET OF THINGS
INTERNET OF THINGSIF7.6
PREAI
分享收藏In-Edge AI: Intelligentizing Mobile Edge Computing, Caching and Communication by Federated LearningIn-Edge AI: 通过联合学习实现移动边缘计算、缓存和通信的智能化IEEE NETWORK
OAAI
IEEE NETWORKIF6.3
OAAI分享收藏Deep reinforcement learning-based computation offloading for 5G vehicle-aware multi-access edge computing network基于深度强化学习的5g车感知多址边缘计算网络计算卸载CHINA COMMUNICATIONS
CHINA COMMUNICATIONSIF3.1
PREAI
分享收藏分享收藏
查看更多内容