深度Q网络驱动的边缘计算多工作流调度策略

"一种基于深度Q网络（DQN）与概率性能感知的移动边缘计算环境多工作流调度方法" 本文探讨了移动边缘计算（Mobile Edge Computing, MEC）环境中的一个关键问题，即如何有效地调度多用户提交的计算密集型工作流任务，以提升执行效率并改善用户体验。移动边缘计算作为一种新兴的计算模式，通过将任务卸载到靠近用户的边缘服务器，降低了延迟，减轻了移动设备的资源压力。然而，随着边缘计算应用的增长，尤其是在面临多个并发工作流任务时，服务器资源管理和调度策略的挑战日益凸显。 作者提出了一种新的调度方法，该方法结合了深度Q学习（Deep Q-Network, DQN）和概率性能感知机制。首先，通过对边缘服务器的历史性能数据进行概率分析，可以建立性能概率分布模型，这有助于理解服务器的动态性能特性。接着，利用这些概率分布数据训练DQN模型，使得模型能够在不断迭代优化的过程中，依据当前环境状态做出最佳决策，制定出多工作流的卸载策略。DQN作为一种强化学习算法，能有效地处理复杂环境下的决策问题，适应边缘服务器性能的实时变化。 为了验证所提方法的有效性，作者进行了实验研究。实验基于真实的边缘服务器配置数据、性能测试数据以及多个科学工作流模板，模拟了不同系统负载条件下的场景。实验结果证实，提出的DQN与概率性能感知相结合的调度方法在提高多工作流执行效率方面显著优于传统调度策略。 此外，本文还得到了多个科研项目的资助，包括重庆市研究生科研创新项目、重庆市科技局技术创新项目、四川省科技计划项目、西华大学人才引进项目、重庆市科技局重点研发计划项目以及江西省重点研发计划项目。这些支持为本文的研究提供了必要的资金和技术支持。 总结来说，该研究为解决移动边缘计算环境中多工作流调度的难题提供了一个新颖且有效的解决方案，通过结合深度学习和性能感知，提高了资源利用率和任务执行效率，对推动边缘计算领域的理论与实践发展具有积极意义。