×
比吉·奈尔;巴努，S.玛丽·塞拉

一种用于重调度雾节点中抢占任务的强化学习算法。 （英语） Zbl 1501.90031号

J.Sched。 25，第5号，547-565（2022）.
概要：fog计算范式中的fog服务器通过在用户设备附近使用fog节点（FN），将云服务扩展到对潜在敏感的任务。资源受限的新生代面临着满足潜在敏感任务的严格期限的挑战。此类任务的完成期限对抢占权至关重要。在不确定事件中，任务抢占是不可避免的，例如FN敌对、过载以及主机FN或用户设备的移动性。重新调度可能面临抢占的任务是比终止任务更好的解决方案。本文提出了一种重调度算法，使fog服务器将抢占任务重新调度给FN，FN可以在预期时间内完成任务。该重调度算法旨在获得一个能保证任务截止时间要求的重调度列表。本文提出的基于大脑的重调度决策（BIRD）算法使用actor-critic强化学习方法将抢占任务重调度到FN。它模仿人脑的决策模型来控制自主运动。它通过负载平衡确保FN的最优性能，同时将抢占任务重新调度给FN，从而保证抢占任务的截止时间要求。实验评估表明，与先到先服务（FCFS）、贪婪任务分配、基于最小松弛度的任务分配、最短作业优先（SJF）和最早截止时间优先（EDF）等调度策略相比，BIRD算法提供了更好的FN选择。

MSC公司：

90立方厘米35 运筹学中的确定性调度理论
68平方米 计算机系统环境下的性能评估、排队和调度

关键词：

雾计算;基于大脑的调度;雾节点;强化学习;任务重新安排
PDF格式BibTeX公司 XML格式引用
\textit{B.Nair}和\textit{S.M.S.Bhanu}，J.Sched。25，第5号，547--565（2022；Zbl 1501.90031）
全文： 内政部

参考文献：

[1] GWA-T-12比特脑数据集。http://gwa.ewi.tudelft.nl/datasets/gwa-t-12-bitbrains。访问时间：2020-04-21。
[2] Abdel-Basset，M.、Mohamed，R.、Elhoseny，M.，Bashir，A.K.、Jolfaei，A.和Kumar，N.（2020年）。基于物联网的雾计算应用中用于任务调度的能量感知海洋捕食者算法。IEEE工业信息学汇刊。
[3] Adhikari，M.、Mukherjee，M.和Srirama，S.N.（2019年）。Dpto：利用多级反馈排队的雾计算框架中的一种截止时间和优先级感知任务卸载。IEEE物联网杂志。
[4] Berns，G.S.和Sejnowski，T.J.（1996）。基底神经节是如何做出决定的。摘自：《决策的神经生物学》，第101-113页。斯普林格。
[5] 巴蒂亚，M。；苏德，SK；Kaur，S.，《物联网应用基于Quantum的预测雾调度器》，《工业计算机》，第111期，第51-67页（2019年）·doi:10.1016/j.compind.2019.06.002
[6] 比塔姆，S。；Zeadally，S。；Mellouk，A.，基于蜜蜂群的雾计算作业调度优化，企业信息系统，12，4，373-397（2018）·doi:10.1080/1751755.2017.1304579
[7] 卡拉布雷西，P。；皮科尼，B。；托齐，A。；Ghiglieri，V。；Di Filippo，M.，《基底神经节的直接和间接通路：一项关键的重新评估》，《自然神经科学》，17，8，1022-1030（2014）·doi:10.1038/nn.3743
[8] 契科里德，DA；Khoukhi，L。；Mouftah，HT，基于分层雾计算的工业物联网数据调度：实现智能工厂的关键，IEEE工业信息学汇刊，14，10，4590-4602（2018）·doi:10.1109/TII.2018.2843802
[9] Critis，R.H.和Barto，A.G.（1995）一种演员/评论家算法，相当于q学习。《神经信息处理系统进展》，第401-408页。
[10] Ghanavati，S.、Abawajy，J.和Izadi，D.（2020年）。雾计算中基于自动机的动态容错任务调度方法。IEEE计算机新兴主题汇刊。
[11] 哈法伊德，IB；Slimane，MB，实时系统中抢占阈值调度分析的参数化形式模型，IEEE Access，8，58180-58193（2020）·doi:10.1109/ACCESS.2020.2979354
[12] He，Z.，Zhang，Y.，Tak，B.，&Peng，L.（2019年）。用于优化互联网任务调度的绿雾规划。IEEE接入。
[13] Hosseinioun，P.、Kheirabadi，M.、Tabbakh，S.R.K.和Ghaemi，R.（2020年）。基于混合元神经算法的雾计算中一种新的能量感知任务调度方法。并行与分布式计算杂志。
[14] Houk，J.C.和Adams，J.L.（1995年）。13基底神经节如何产生和使用神经信号的模型。基底神经节信息处理模型，第249页。
[15] 侯赛因，MK；Mousa，MH，使用蚁群优化实现雾计算中基于物联网应用的高效任务卸载，IEEE Access，837191-37201（2020）·doi:10.10109/ACCESS.2020.2975741文件
[16] Ikemoto，S。；玻璃工，理学学士；JM墨菲；McBride，WJ，伏隔核多巴胺d1和d2受体在调节奖赏中的作用，《神经科学杂志》，17，21，8580-8587（1997）·doi:10.1523/JNEUROSCI.17-21-08580.1997
[17] 杰，Y。；唐，X。；Choo，KKR；苏，S。；李，M。；郭，C.，基于重复stackelberg博弈的边缘计算在线任务调度，并行与分布式计算杂志，122，159-172（2018）·doi:10.1016/j.jpdc.2018.07.019
[18] Joel，D。；Niv，Y。；Ruppin，E.，《基底神经节的Actor-critic模型：新的解剖和计算观点》，神经网络，15，4-6，535-547（2002）·doi:10.1016/S0893-6080（02）00047-3
[19] 康达，VR；Borkar，VS，马尔可夫决策过程的Actor-critic-type学习算法，SIAM控制与优化杂志，38，1，94-123（1999）·Zbl 0938.93069号 ·doi:10.1137/S036301299731669X
[20] 莱拉，I。；格雷罗，C。；Juiz，C.，基于图分区的雾计算中可用性感知服务放置策略，IEEE物联网杂志，6，2，3641-3651（2018）·doi:10.10109/JIOT2018.2889511
[21] 李，H。；Ota，K。；Dong，M.，雾中移动人群感知的深度强化调度，ACM互联网技术交易（TOIT），19，2，1-18（2019）·数字对象标识代码：10.1145/3234463
[22] 罗，J。；尹，L。；胡，J。；王，C。；刘，X。；范，X。；Luo，H.，基于集装箱的雾计算架构和能源物联网的能量平衡调度算法，《未来一代计算机系统》，97，50-60（2019）·doi:10.1016/j.future.2018年12月63日
[23] Ma，PYR，分布式计算系统的任务分配模型，IEEE计算机事务，100，1，41-47（1982）
[24] 马哈茂德，R。；Ramamohanarao，K。；Buyya，R.，《雾计算环境中的应用管理：分类、回顾和未来方向》，ACM计算调查（CSUR），53，4，1-43（2020）·数字对象标识代码：10.1145/3403955
[25] 马哈茂德，R。；斯里拉马，SN；Ramamohanarao，K。；Buyya，R.，《集成雾云计算环境的利润软件应用布局》，《并行与分布式计算杂志》，135，177-190（2020）·doi:10.1016/j.jpdc.2019.10.001
[26] 奈尔，B。；Somasundaram，MSB，在雾节点中保持最佳工作条件的过载预测和避免，计算机和电气工程，77147-162（2019）·doi:10.1016/j.compleceng.2019.05.011
[27] Oueis，J.、Strinati，E.C.和Barbarossa，S.（2015）。雾平衡：小单元云计算的负载分配。2015年IEEE第81届车辆技术会议（VTC春季），第1-6页。电气与电子工程师协会。
[28] Pham、XQ；曼，ND；三、无损检测；泰语，NQ；Huh，EN，基于云和雾计算之间协作的任务调度的成本和性能有效方法，《分布式传感器网络国际期刊》，13，11，1550147717742073（2017）·doi:10.1177/1550147717742073
[29] 拉巴里，D。；Nickray，M.，通过分类和回归树实现移动雾计算中的任务卸载，对等网络和应用，13，1，104-122（2020）·doi:10.1007/s12083-019-00721-7
[30] 铆钉，F。；Y.本吉奥。；Kalaska，J.，《大脑启发强化学习》，《神经信息处理系统进展》，第17期，第1129-1136页（2004年）
[31] 孙，Y。；林，F。；Xu，H.，使用改进的nsga-ii对雾计算中的资源调度进行多目标优化，无线个人通信，102，2，1369-1385（2018）·doi:10.1007/s11277-017-5200-5
[32] 苏里，RE；Schultz，W.，学习空间延迟反应任务的多巴胺样强化信号神经网络模型，《神经科学》，91，3，871-890（1999）·doi:10.1016/S0306-4522（98）00697-6
[33] Sutton，R.S.和Barto，A.G.（2018年）。强化学习：简介。麻省理工学院出版社·Zbl 1407.68009号
[34] Trantham Davidson，H。；尼利，LC；拉文，A。；Seamans，JK，前额叶皮层抑制的d1与d2多巴胺受体差异调节机制，《神经科学杂志》，24，47，10652-10659（2004）·doi:10.1523/JNEUROSCI.3179-04.2004
[35] Tychalas，D。；Karatza，H.，《带bag-of-task作业的雾计算系统调度算法：仿真与性能评估》，《仿真建模实践与理论》，98，101982（2020）·doi:10.1016/j.simpat.2019.101982
[36] 万，J。；陈，B。；王，S。；夏，M。；李，D。；Liu，C.，智能工厂中能源感知负载平衡和调度的雾计算，IEEE工业信息学报，14，10，4548-4556（2018）·doi:10.1109/TII.2018.2818932
[37] 王，JX；Kurth-Nelson，Z。；Kumaran博士。；蒂鲁马拉，D。；Soyer，H。；雷波，JZ；哈萨比斯，D。；Botvinick，M.，作为元增强学习系统的前额叶皮层，《自然神经科学》，21，6，860-868（2018）·doi:10.1038/s41593-018-0147-8
[38] 王凯。；Tan，Y。；邵，Z。；Ci，S。；Yang，Y.，基于学习的动态光纤网络延迟敏感应用任务卸载，IEEE车辆技术汇刊，68，11，11399-11403（2019）·doi:10.1109/TVT.2019.2943647
[39] 王，S。；Zhao，T。；Pang，S.，雾计算中基于改进烟花算法的任务调度算法，IEEE Access，8，32385-32394（2020）·doi:10.1109/ACCESS.2020.2973758
[40] 徐，J。；郝，Z。；张，R。；Sun，X.，一种基于松弛度和蚁群系统相结合的云计算任务调度方法，IEEE Access，711628-116226（2019）·doi:10.1109/ACCESS.2019.2936116
[41] 尹，L。；罗，J。；Luo，H.，基于智能制造容器的雾计算任务调度和资源分配，IEEE工业信息学汇刊，14，10，4712-4721（2018）·doi:10.1109/TII.2018.2851241
[42] Yu，M.、Liu，A.、Xiong，N.N.和Wang，T.（2020年）。一种基于游戏的智能卸载方案，可最大限度地发挥物联网云生态系统的效益。IEEE物联网杂志。
[43] 曾博士。；顾，L。；郭，S。；郑，Z。；Yu，S.，雾计算支持的软件定义嵌入式系统中任务调度和图像放置的联合优化，IEEE计算机学报，65，12，3702-3712（2016）·兹比尔1360.68298 ·doi:10.1109/TC.2016.2536019
[44] 朱，X。；罗，Y。；刘，A。；MZA Bhuiyan；Zhang，S.，用于物联网中车辆计算卸载的多智能体深度强化学习，IEEE物联网杂志，8，12，9763-9773（2020）·doi:10.1109/JIOT.2020.3040768
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。