CN111782354A - 一种基于强化学习的集中式数据处理时间优化方法 - Google Patents

一种基于强化学习的集中式数据处理时间优化方法 Download PDF

Info

Publication number
CN111782354A
CN111782354A CN202010471690.4A CN202010471690A CN111782354A CN 111782354 A CN111782354 A CN 111782354A CN 202010471690 A CN202010471690 A CN 202010471690A CN 111782354 A CN111782354 A CN 111782354A
Authority
CN
China
Prior art keywords
reinforcement learning
deployment
time
data processing
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010471690.4A
Other languages
English (en)
Inventor
赵俊峰
宋浒
夏飞
巫乾军
储诚贵
陈宇航
董清泉
俞俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nari Technology Co Ltd
Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nari Technology Co Ltd
Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nari Technology Co Ltd, Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN202010471690.4A priority Critical patent/CN111782354A/zh
Publication of CN111782354A publication Critical patent/CN111782354A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于强化学习的集中式数据处理时间优化方法，包括如下步骤：用户输入需要执行的数据处理任务的运算图，SDN控制器提供当前的网络资源图；将获得的运算图和网络资源图发送给强化学习调度器，请求强化学习调度器执行调度操作；强化学习调度器接收到运算图和网络资源图后，循环执行强化学习调度操作，生成最终的部署图；控制器根据部署图，控制网络中各个设备执行数据处理任务；当任务执行完成后，收集任务的执行时间返回给时间估计器；时间估计器根据真实的执行时间，训练自身的估计函数，本发明方法实现整个网络中从数据中心到边缘设备资源的集中调度，提供优化数据处理任务的处理时间服务。

Description

一种基于强化学习的集中式数据处理时间优化方法
技术领域
本发明涉及一种集中式数据处理时间优化方法，尤其涉及一种基于强化学习的集中式数据处理时间优化方法，属于计算机网络和机器学习领域的交叉技术领域。
背景技术
软件定义网络(SDN)技术，一如其名是以软件定义网络，更具体地来说，是以软件的形式定义网络的控制平面逻辑，打破传统分布式网络架构中，复杂多样的控制平面逻辑需要复杂多样的专用硬件设备实现的局面。在传统分布式网络架构中，网络的控制平面与数据平面的功能集中在同一台设备当中，这使得逻辑上容易发生变动的控制平面功能无法快速更新换代，阻碍了新类型网络的发展与推广。在本方法中，由于需要调用整个网络中包括数据中心和边缘设备在内的资源用于数据处理，涉及到较为复杂的资源调度、任务分派和数据转发，需要SDN提供灵活的网络控制与转发功能，以在整个网络中实现方法所需的复杂调度逻辑。
在传统的数据处理任务的工作模式中，来自终端的数据通常均由网络中顶层的数据中心进行处理，靠近终端的各层边缘设备只是扮演着终端和数据中心之间的数据收集和转发者的角色。这种工作模式虽然简单直接，但是在数据中心面临大量终端短时间爆发式地发送数据处理请求时，会因为接收的请求超出数据中心的处理能力而显著拖慢其接收请求和数据处理的速度，造成任务的执行耗时过长。而实际上，大量的数据请求按照其运算逻辑可以在靠近终端的边缘设备处就近处理，从而减少最终发送到数据中心的数据请求和数据总量。传统的工作模式无法利用边缘设备的能力，将数据请求集中在数据中心进行处理，是其耗时过长的一个重要原因。
发明内容
发明目的：本发明的目的为提供一种提高整个数据处理任务的完成效率、降低处理时间的基于强化学习的集中式数据处理时间优化方法。
技术方案：本发明的基于强化学习的集中式数据处理时间优化方法，包括如下步骤：
(1)SDN控制器提供当前的网络资源图GR；
(2)强化学习调度器接收来自用户的运算图GC和来自SDN控制器的网络资源图GR，并循环执行强化学习调度操作，生成最终的部署图GD；
(3)控制器根据部署图GD，控制网络中各个设备执行数据处理任务；
(4)当任务执行完成后，SDN控制器收集任务的执行时间返回给时间估计器；
(5)时间估计器根据真实的执行时间，训练自身的估计函数。
进一步地，运算图GC为规定运算的运算过程、使用的数据量的一个有向无环图，网络资源图GR为整个网络中运算、存储、带宽资源在网络中设备结点分配状况的拓扑图，部署图GD为运算任务在设备结点中的分布，由强化学习调度器调整，并由约束器生成，SDN控制器为集中式网络架构的控制器，SDN控制器收集整个网络的拓扑信息和设备状况提供给上层应用，并根据上层应用的指示进行路由，控制下层转发设备对数据的转发，以实现具备特定功能的网络，同时SDN控制器接收调度器输出的部署图控制网络中数据的转发，并收集网络的运行数据用于估计器和调度器的训练，时间估计器根据网络中设备结点拥有的资源量和被分配的运算任务情况，估计设备执行完运算任务所花费的时间，估计的时长向量为e，强化学习调度器根据部署图的状态以及估计器对时间的估计，对部署图进行逐步操作，以优化部署图的总执行时间，采用强化学习算法进行学习，约束器检查调度器对部署图的调度动作是否符合约束，如果符合约束则接受其调度并改变部署，否则维持部署不变。
进一步地，步骤(2)中，强化学习调度器调度生成部署图的方法为运行强化学习中的Q-learning算法以执行调度并生成部署图，具体步骤如下：
(1)设置步长α∈(0，1]、随机度∈＞0、循环次数N；
(2)初始化动作值函数QW(GD，e，a)的参数W；
(3)监听是否有操作请求，如果有调度请求则进入下一步，否则继续监听；
(4)根据GC和GR初始化部署图GD，即将GC的所有运算节点全部部署到GR中的运算中心节点上，并由时间估计器生成时间估计e＝TimeEval(GD)；
(5)根据调度策略π∈计算当前应采取的调度动作a＝π∈(GD，e)；
(6)执行调度动作a，由约束器生成相应的部署图G′D，由时间估计器生成时间估计e′＝TimeEval(G′D)，c.计算奖励R＝e-e′；
(7)更新动作值函数：
Figure BDA0002514487550000021
其中，γ为折扣率，γ取值范围为0到1之间的实数；
(8)更新当前部署和当前时间估计：
GD＝G′D
e＝e′
(9)如果当前未达到循环次数N，则回到S5继续执行:，否则进入下一步；
(10)输出GD作为最终部署图。
优选的，调度策略π∈(GD，e)为根据动作值函数QW生成的一个策略，调度策略的逻辑如下：
在区间(0，1]之间随机取一个实数r；
如果r＞∈，则π∈(GD，e)选取使得QW(GD，e，a)取得最大值的调度动作a；如果r≤∈，则π∈(GD，e)为随机生成的一个调度动作a；
时间估计器TimeEval(GD)根据当前的部署图GD生成该部署图执行的总时间的估计值，估计器采用通用的深度学习方法，在接收到来自控制器的反馈时，进行训练以提高估计的准确度。
本发明的基于强化学习的集中式数据处理时间优化***，包括时间估计器、强化学习调度器和SDN控制器，时间估计器即接受来自强化学习调度器的部署图，并将时间估计发送给强化学习调度器，时间估计器接受来自SDN控制器的部署图的真实执行时间，SDN控制器根据部署图控制网络节点之间的运算部署以及数据转发。
有益效果：与现有技术相比，本发明具有如下显著优点：解决传统的数据中心数据任务处理方式在面临终端数据爆发时的处理耗时过长的问题，将数据处理任务在整个网络的各层边缘设备以及数据中心之间进行合理地分派，降低终端数据爆发时数据中心的负载，充分利用整个网络中的边缘设备的处理能力为单个数据处理任务服务，以提高整个数据处理任务的完成效率，降低其处理时间；本发明方法使用SDN技术获取网络的全局信息以及对网络整体的数据进行转发控制，并使用强化学习技术处理具体的数据任务分发和资源调度，从而实现整个网络中从数据中心到边缘设备资源的集中调度，提供优化数据处理任务的处理时间服务。
附图说明
图1为本发明基于强化学习的集中式数据处理时间优化方法的主流程；
图2为本发明的强化学习调度流程图；
图3为本发明基于强化学习的集中式数据处理时间优化方法的结构及其中部件之间的信息流。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1-图3所示，本发明的基于强化学习的集中式数据处理时间优化方法，包括如下步骤：
(1)用户输入需要执行的数据处理任务的运算图GC，SDN控制器提供当前的网络资源图GR；
(2)将获得的运算图GC和网络资源图GR发送给强化学习调度器，请求其执行调度操作；
(3)强化学习调度器接收到运算图GC和网络资源图GR后，循环执行强化学习调度操作，生成最终的部署图GD；
(4)控制器根据部署图GD，控制网络中各个设备执行数据处理任务；
(5)当任务执行完成后，收集任务的执行时间返回给时间估计器；
(6)时间估计器根据真实的执行时间，训练自身的估计函数。
进一步地，运算图GC为规定运算的运算过程、使用的数据量的一个有向无环图，网络资源图GR为整个网络中运算、存储、带宽资源在网络中设备结点分配状况的拓扑图，部署图GD为运算任务在设备结点中的分布，由强化学习调度器调整，并由约束器生成，SDN控制器为集中式网络架构的控制器，SDN控制器收集整个网络的拓扑信息和设备状况提供给上层应用，并根本上层应用的指示进行路由，控制下层转发设备对数据的转发，以实现具备特定功能的网络，同时SDN控制器接收调度器输出的部署图控制网络中数据的转发，并收集网络的运行数据用于估计器和调度器的训练，时间估计器根据网络中设备结点拥有的资源量和被分配的运算任务情况，估计设备执行完运算任务需要花费的时间，估计的时长向量为e，强化学习调度器根据部署图的状态以及估计器对时间的估计，对部署图进行逐步操作，以优化部署图的总执行时间，采用强化学习算法进行学习，约束器检查调度器对部署图的调度动作是否符合约束，如果符合约束则接受其调度并改变部署，否则维持部署不变。
进一步地，步骤(3)中，强化学习调度器调度生成部署图的方法为运行强化学习中的Q-learning算法以执行调度并生成部署图，具体步骤如下：
(1)设置步长α∈(0，1]、随机度∈＞0、循环次数N；
(2)初始化动作值函数QW(GD，e，a)的参数W；
(3)监听是否有操作请求，如果有调度请求则进入下一步，否则继续监听；
(4)根据GC和GR初始化部署图GD，即将GC的所有运算节点全部部署到GR中的运算中心节点上，并由时间估计器生成时间估计e＝TimeEval(GD)；
(5)根据调度策略π∈计算当前应采取的调度动作a＝π∈(GD，e)；
(6)执行调度动作a，由约束器生成相应的部署图G′D，由时间估计器生成时间估计e′＝TimeEval(G′D)，c.计算奖励R＝e-e′；
(7)更新动作值函数：
Figure BDA0002514487550000051
(8)更新当前部署和当前时间估计：
GD＝G′D
e＝e′
(9)如果当前未达到循环次数N，则回到S5继续执行:，否则进入下一步；
(10)输出GD作为最终部署图。
调度策略π∈(GD，e)为根据动作值函数QW生成的一个策略，∈为随机生成调度动作的概率，调度策略的逻辑如下：
在区间(0，1]之间随机取一个实数r；
如果r＞∈，则π∈(GD，e)选取使得QW(GD，e，a)取得最大值的调度动作a；如果r≤∈，则π∈(GD，e)为随机生成的一个调度动作a；
时间估计器TimeEval(GD)根据当前的部署图GD生成该部署图执行的总时间的估计值，估计器采用通用的深度学习方法，在接收到来自控制器的反馈时，进行训练以提高估计的准确度。

Claims (10)

1.一种基于强化学习的集中式数据处理时间优化方法，其特征在于，包括如下步骤：
(1)SDN控制器提供当前的网络资源图GR；
(2)强化学习调度器接收来自用户的运算图GC和来自SDN控制器的网络资源图GR，并循环执行强化学习调度操作，生成最终的部署图GD；
(3)控制器根据部署图GD，控制网络中各个设备执行数据处理任务；
(4)当任务执行完成后，SDN控制器收集任务的执行时间返回给时间估计器；
(5)时间估计器根据真实的执行时间，训练自身的估计函数。
2.根据权利要求1所述基于强化学习的集中式数据处理时间优化方法，其特征在于：所述运算图GC为规定运算的运算过程、使用的数据量的一个有向无环图。
3.根据权利要求1所述基于强化学习的集中式数据处理时间优化方法，其特征在于：所述网络资源图GR为整个网络中运算、存储、带宽资源在网络中设备结点分配状况的拓扑图；所述部署图GD为运算任务在设备结点中的分布，由强化学习调度器调整，并由约束器生成。
4.根据权利要求3所述基于强化学习的集中式数据处理时间优化方法，其特征在于：所述约束器检查强化学习调度器对部署图的调度动作是否符合约束，如果符合约束则接受强化学习调度器调度并改变部署，否则维持部署不变。
5.根据权利要求1所述基于强化学习的集中式数据处理时间优化方法，其特征在于：所述SDN控制器为集中式网络架构的控制器，所述SDN控制器收集整个网络的拓扑信息和设备状况提供给上层应用，并根据上层应用的指示进行路由，控制下层转发设备对数据的转发，同时所述SDN控制器接收强化学习调度器输出的部署图控制网络中数据的转发，并收集网络的运行数据用于估计器和调度器的训练。
6.根据权利要求1所述基于强化学习的集中式数据处理时间优化方法，其特征在于：所述时间估计器根据网络中设备结点拥有的资源量和被分配的运算任务情况，估计设备执行完运算任务所花费的时间。
7.根据权利要求1所述基于强化学习的集中式数据处理时间优化方法，其特征在于：所述强化学习调度器根据部署图的状态以及估计器对时间的估计，对部署图进行逐步操作，采用强化学习算法进行学习。
8.根据权利要求1所述基于强化学习的集中式数据处理时间优化方法，其特征在于，步骤(2)中，所述强化学习调度器调度生成部署图的方法为运行强化学习中的Q-learning算法以执行调度并生成部署图，具体步骤如下：
(1)设置步长α∈(0，1]、随机度∈＞0、循环次数N；
(2)初始化动作值函数QW(GD，e，a)的参数W，其中，估计时长向量为e，调度动作为a；
(3)监听是否有操作请求，如果有调度请求则进入下一步，否则继续监听；
(4)根据GC和GR初始化部署图GD，将GC的所有运算节点全部部署到GR中的运算中心节点上，并由时间估计器TimeEval生成时间估计e＝TimeEval(GD)；
(5)根据调度策略π∈计算当前应采取的调度动作a＝π∈(GD，e)；
(6)执行调度动作a，由约束器生成相应的部署图G′D，由时间估计器生成时间估计e′＝TimeEval(G′D)，计算奖励R＝e-e′；
(7)更新动作值函数：
Figure FDA0002514487540000021
其中，γ为折扣率，γ取值范围为0到1之间的实数；
(8)更新当前部署和当前时间估计：
GD＝G′D
e＝e′
(9)如果当前未达到循环次数N，则回到(5)继续执行，否则进入下一步；
(10)输出GD作为最终部署图。
9.根据权利要求8所述基于强化学习的集中式数据处理时间优化方法，其特征在于，所述调度策略π∈(GD，e)为根据动作值函数QW生成的一个策略，∈为随机生成调度动作的概率，所述调度策略的逻辑如下：
在区间(0，1]之间随机取一个实数r；
如果r＞∈，则π∈(GD，e)选取使得QW(GD，e，a)取得最大值的调度动作a；如果r≤∈，则π∈(GD，e)为随机生成的一个调度动作a；
所述时间估计器TimeEval(GD)根据当前的部署图GD生成该部署图执行的总时间的估计值，估计器采用深度学习方法，在接收到来自控制器的反馈时，进行训练以提高估计的准确度。
10.一种基于强化学习的集中式数据处理时间优化***，其特征在于：包括时间估计器、强化学习调度器和SDN控制器，所述时间估计器即接受来自强化学习调度器的部署图，并将时间估计发送给强化学习调度器，所述时间估计器接受来自SDN控制器的部署图的真实执行时间，SDN控制器根据部署图控制网络节点之间的运算部署以及数据转发。
CN202010471690.4A 2020-05-29 2020-05-29 一种基于强化学习的集中式数据处理时间优化方法 Pending CN111782354A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010471690.4A CN111782354A (zh) 2020-05-29 2020-05-29 一种基于强化学习的集中式数据处理时间优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010471690.4A CN111782354A (zh) 2020-05-29 2020-05-29 一种基于强化学习的集中式数据处理时间优化方法

Publications (1)

Publication Number Publication Date
CN111782354A true CN111782354A (zh) 2020-10-16

Family

ID=72754448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010471690.4A Pending CN111782354A (zh) 2020-05-29 2020-05-29 一种基于强化学习的集中式数据处理时间优化方法

Country Status (1)

Country Link
CN (1) CN111782354A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114915630A (zh) * 2021-02-10 2022-08-16 ***通信有限公司研究院 基于物联网设备的任务分配方法、网络训练方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110321051A1 (en) * 2010-06-25 2011-12-29 Ebay Inc. Task scheduling based on dependencies and resources
CN103955373A (zh) * 2014-04-30 2014-07-30 浙江工商大学 一种sdn应用集成开发环境的设计方法
CN106411749A (zh) * 2016-10-12 2017-02-15 国网江苏省电力公司苏州供电公司 一种基于q学习的用于软件定义网络的路径选择方法
US20180054772A1 (en) * 2016-08-22 2018-02-22 Verizon Patent And Licensing Inc. Next generation intelligent mesh network with fronthaul and backhaul services
CN108401015A (zh) * 2018-02-02 2018-08-14 广州大学 一种基于深度强化学习的数据中心网络路由方法
CN109873726A (zh) * 2019-03-07 2019-06-11 西安交通大学 Sdn中基于深度学习的鲁棒服务质量预测与保障方法
US20190370649A1 (en) * 2018-05-30 2019-12-05 Royal Bank Of Canada Trade platform with reinforcement learning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110321051A1 (en) * 2010-06-25 2011-12-29 Ebay Inc. Task scheduling based on dependencies and resources
CN103955373A (zh) * 2014-04-30 2014-07-30 浙江工商大学 一种sdn应用集成开发环境的设计方法
US20180054772A1 (en) * 2016-08-22 2018-02-22 Verizon Patent And Licensing Inc. Next generation intelligent mesh network with fronthaul and backhaul services
CN106411749A (zh) * 2016-10-12 2017-02-15 国网江苏省电力公司苏州供电公司 一种基于q学习的用于软件定义网络的路径选择方法
CN108401015A (zh) * 2018-02-02 2018-08-14 广州大学 一种基于深度强化学习的数据中心网络路由方法
US20190370649A1 (en) * 2018-05-30 2019-12-05 Royal Bank Of Canada Trade platform with reinforcement learning
CN109873726A (zh) * 2019-03-07 2019-06-11 西安交通大学 Sdn中基于深度学习的鲁棒服务质量预测与保障方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114915630A (zh) * 2021-02-10 2022-08-16 ***通信有限公司研究院 基于物联网设备的任务分配方法、网络训练方法及装置
WO2022171066A1 (zh) * 2021-02-10 2022-08-18 ***通信有限公司研究院 基于物联网设备的任务分配方法、网络训练方法及装置
CN114915630B (zh) * 2021-02-10 2023-10-31 ***通信有限公司研究院 基于物联网设备的任务分配方法、网络训练方法及装置
EP4290824A4 (en) * 2021-02-10 2024-05-29 China Mobile Communication Co., Ltd. Research Institute METHOD AND APPARATUS FOR TASK ALLOCATION BASED ON INTERNET OF THINGS DEVICE, AND NETWORK LEARNING METHOD AND APPARATUS

Similar Documents

Publication Publication Date Title
WO2020181896A1 (zh) 一种多智能体强化学习调度方法、***及电子设备
Yang et al. An utility-based job scheduling algorithm for cloud computing considering reliability factor
Ugwuanyi et al. Reliable resource provisioning using bankers’ deadlock avoidance algorithm in MEC for industrial IoT
CN108667657B (zh) 一种面向sdn的基于局部特征信息的虚拟网络映射方法
Sen et al. Machine learning based timeliness-guaranteed and energy-efficient task assignment in edge computing systems
Żotkiewicz et al. Minimum dependencies energy-efficient scheduling in data centers
Misra et al. Multiarmed-bandit-based decentralized computation offloading in fog-enabled IoT
Okwuibe et al. SDN-enabled resource orchestration for industrial IoT in collaborative edge-cloud networks
CN108737268B (zh) 软件定义工业物联网资源调度方法
CN115484205B (zh) 确定性网络路由与队列调度方法及装置
CN103744735B (zh) 一种多核资源的调度方法及装置
Jin et al. Model-free resource management of cloud-based applications using reinforcement learning
Tang et al. Collaborative cloud-edge-end task offloading with task dependency based on deep reinforcement learning
CN111782354A (zh) 一种基于强化学习的集中式数据处理时间优化方法
CN106936905B (zh) 基于openstack的Nova组件虚拟机的调度方法及其调度***
CN111049900B (zh) 一种物联网流计算调度方法、装置和电子设备
Saemi et al. A new optimization approach for task scheduling problem using water cycle algorithm in mobile cloud computing
Carrega et al. Energy-aware consolidation scheme for data center cloud applications
CN109298932B (zh) 基于OpenFlow的资源调度方法、调度器及***
Ji et al. Towards optimal application offloading in heterogeneous edge-cloud computing
CN116302578A (zh) 一种QoS约束的流应用延迟确保方法及***
CN112446484A (zh) 一种多任务训练集群智能网络***及集群网络优化方法
Duan et al. Towards learning-based energy-efficient online coordinated virtual network embedding framework
Cao et al. Uncertainty-aware resource provisioning for workflow scheduling in edge computing environment
Karimi et al. Intelligent and Decentralized Resource Allocation in Vehicular Edge Computing Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination