边缘计算中基于机器学习的列表调度方法技术

技术编号:40963204 阅读:21 留言:0更新日期:2024-04-18 20:42
本发明专利技术提供了一种边缘计算中基于机器学习的列表调度方法,包括步骤1:生成任务的有向无环图;步骤2:定义有向无环图;步骤3:计算预测成本矩阵;步骤4:计算任务优先值;步骤5:设计机器学习模型,定义状态,动作和奖励;步骤6:通过机器学习不断更新Q表,直到Q表收敛;步骤7:根据Q表,得到任务额优先级序列;步骤8:根据任务的优先级序列,计算时间,用贪心的原则分配处理器。本发明专利技术将强化学习与具有前瞻性的列表调度算法PPTS相结合,很好的解决了边缘环境下的任务调度问题,可以更快速,更高效地完成任务调度,提高处理器的效率,且在大型计算任务中有更好地效果。

【技术实现步骤摘要】

本专利技术涉及一种边缘计算中基于机器学习的列表调度方法,属于边缘计算和机器学习。


技术介绍

1、随着信息和移动通讯技术的发展,数百亿资源有限的智能设备可以通过网络连接到互联网,这给企业和移动运营商带来了商机,但同时也带来了挑战。目前大多数移动运营商都采用软件即服务(saas)模式,在云中部署应用程序来服务用户,随着智能设备的增多,云计算难以满足许多应用程序对于低延时的需求,例如在线游戏,虚拟现实等。为了解决这个问题,引入了多址边缘计算(mec)的概念,使得云计算和存储资源更接近用户。

2、与云计算不同,边缘服务器部署在网络边缘,同一片区域内不同边缘服务器的处理能力差异较大,但它们可以执行同一个任务。任务调度问题直接关系到边缘计算系统的稳定性,移动用户的满意度,资源的利用率等。因此,任务调度问题是边缘计算中的关键问题,具有重要的现实意义和理论价值。现在,机器学习在各个领域都有着广泛的应用,将机器学习应用于任务调度问题引起了极大关注,q_learning是机器学习中的经典算法之一,它通过引入期望延迟来解决没有完整信息的马尔可夫决策过程,是解决任务调本文档来自技高网...

【技术保护点】

1.一种边缘计算中基于机器学习的列表调度方法,其特征在于:包括

2.根据权利要求1所述的列表调度方法,其特征在于:步骤1中,对于生成的有向无环图模型,将子任务之间的依赖关系使用边来表示,将子任务在不同边缘服务器间传输的平均通信成本和处理器的平均启动时间相加作为边的权值。

3.根据权利要求1所述的列表调度方法,其特征在于:步骤3中,预测成本矩阵PCM的计算由以下等式递归确定:

4.根据权利要求1所述的列表调度方法,其特征在于:步骤4中,任务的优先级函数由以下公式计算:

5.根据权利要求1所述的列表调度方法,其特征在于:步骤5中,设计的机器学习...

【技术特征摘要】

1.一种边缘计算中基于机器学习的列表调度方法,其特征在于:包括

2.根据权利要求1所述的列表调度方法,其特征在于:步骤1中,对于生成的有向无环图模型,将子任务之间的依赖关系使用边来表示,将子任务在不同边缘服务器间传输的平均通信成本和处理器的平均启动时间相加作为边的权值。

3.根据权利要求1所述的列表调度方法,其特征在于:步骤3中,预测成本矩阵pcm的计算由以下等式递归确定:

4.根据权利要求1所述的列表调度方法,其特征在于:步骤4中,任务的优先级函数由以下公式计算:

5.根据权利要求1所述的列表调度方法,其特征在于:步骤5中,设计的机器学习模型为q-learning模型,它是一种免模型的强化学习算法,智能体根据马尔可夫环境中的历史经验选择最佳动作。

6.根据权利要求1...

【专利技术属性】
技术研发人员:鲁蔚锋万家欢徐佳徐力杰蒋凌云
申请(专利权)人:南京邮电大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1