软件学报

作者：张斐斐，葛季栋，李忠金，黄子峰，张胜，陈兴国，骆斌

单位：张斐斐，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002311,葛季栋，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002302,李忠金，杭州电子科技大学 计算机学院, 浙江 杭州 31001803,黄子峰，清华大学 计算机科学与技术系, 北京 10008404,张胜，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 210023;南京大学 计算机科学与技术系, 江苏 南京 21002305,陈兴国，南京邮电大学 计算机学院, 江苏 南京 21004606,骆斌，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002307

关键词：任务卸载;任务调度;截止期限;边缘计算;强化学习

基金：国家重点研发计划(2022YFF0711404); 国家自然科学基金(62276142); 江苏省自然科学基金(BK20201250); 浙江省自然科学基金(LY22F020021)

在边缘计算场景中, 通过将部分待执行任务卸载到边缘服务器执行能够达到降低移动设备的负载、提升移动应用性能和减少设备开销的目的. 对于时延敏感任务, 只有在截止期限内完成才具有实际意义. 但是边缘服务器的资源往往有限, 当同时接收来自多个设备的数据传输及处理任务时, 可能造成任务长时间的排队等待, 导致部分任务因超时而执行失败, 因此无法兼顾多个设备的性能目标. 鉴于此, 在计算卸载的基础上优化边缘服务器端的任务调度顺序. 一方面, 将时延感知的任务调度建模为一个长期优化问题, 并使用基于组合多臂赌博机的在线学习方法动态调整服务器的调度顺序. 另一方面, 由于不同的任务执行顺序会改变任务卸载性能提升程度, 因而影响任务卸载决策的有效性. 为了增加卸载策略的鲁棒性, 采用了带有扰动回报的深度Q学习方法决定任务执行位置. 仿真算例证明了该策略可在平衡多个用户目标的同时减少系统的整体开销.

来源：2023年第12期

《软件学报》期刊编辑部

查看软件学报杂志2023年第12期