已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Real-Time Offloading for Dependent and Parallel Tasks in Cloud-Edge Environments Using Deep Reinforcement Learning

计算机科学 云计算 分布式计算 计算卸载 服务器 强化学习 调度(生产过程) 移动边缘计算 移动设备 GSM演进的增强数据速率 移动云计算 任务(项目管理) 边缘计算 上传 边缘设备 计算机网络 人工智能 操作系统 运营管理 管理 经济
作者
Xing Chen,S. Hu,Chujia Yu,Zheyi Chen,Zheyi Chen
出处
期刊:IEEE Transactions on Parallel and Distributed Systems [Institute of Electrical and Electronics Engineers]
卷期号:35 (3): 391-404 被引量:3
标识
DOI:10.1109/tpds.2023.3349177
摘要

As an effective technique to relieve the problem of resource constraints on mobile devices (MDs), the computation offloading utilizes powerful cloud and edge resources to process the computation-intensive tasks of mobile applications uploaded from MDs. In cloud-edge computing, the resources (e.g., cloud and edge servers) that can be accessed by mobile applications may change dynamically. Meanwhile, the parallel tasks in mobile applications may lead to the huge solution space of offloading decisions. Therefore, it is challenging to determine proper offloading plans in response to such high dynamics and complexity in cloud-edge environments. The existing studies often preset the priority of parallel tasks to simplify the solution space of offloading decisions, and thus the proper offloading plans cannot be found in many cases. To address this challenge, we propose a novel real-time and Dependency-aware task Offloading method with Deep Q-networks (DODQ) in cloud-edge computing. In DODQ, mobile applications are first modeled as Directed Acyclic Graphs (DAGs). Next, the Deep Q-Networks (DQN) is customized to train the decision-making model of task offloading, aiming to quickly complete the decision-making process and generate new offloading plans when the environments change, which considers the parallelism of tasks without presetting the task priority when scheduling tasks. Simulation results show that the DODQ can well adapt to different environments and efficiently make offloading decisions. Moreover, the DODQ outperforms the state-of-art methods and quickly reaches the optimal/near-optimal performance.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
kong心cai完成签到 ,获得积分10
刚刚
zzmm发布了新的文献求助30
3秒前
3秒前
Sevendesu应助小薛爱吃肉采纳,获得10
4秒前
科研通AI2S应助小薛爱吃肉采纳,获得10
4秒前
大模型应助小薛爱吃肉采纳,获得10
4秒前
dengx1应助科研通管家采纳,获得10
4秒前
打打应助科研通管家采纳,获得10
4秒前
嗯哼应助科研通管家采纳,获得20
4秒前
科研通AI2S应助科研通管家采纳,获得10
4秒前
Ava应助科研通管家采纳,获得10
4秒前
所所应助科研通管家采纳,获得10
4秒前
乐乐应助科研通管家采纳,获得10
4秒前
JamesPei应助lamei采纳,获得10
5秒前
尘南浔完成签到 ,获得积分10
5秒前
5秒前
士成发布了新的文献求助10
5秒前
快了科研发布了新的文献求助20
6秒前
元谷雪应助jisimyang98采纳,获得10
6秒前
lanshuitai发布了新的文献求助10
7秒前
9秒前
11秒前
11秒前
灵儿发布了新的文献求助10
11秒前
11秒前
L21发布了新的文献求助10
14秒前
15秒前
zwhy发布了新的文献求助10
16秒前
fly发布了新的文献求助10
16秒前
小花发布了新的文献求助30
18秒前
忧虑的羊发布了新的文献求助10
22秒前
所所应助葫芦娃采纳,获得10
29秒前
秀丽烨霖应助葫芦娃采纳,获得10
29秒前
肆意发布了新的文献求助10
30秒前
可爱的函函应助lanshuitai采纳,获得10
30秒前
快了科研完成签到,获得积分10
31秒前
坚定的平松完成签到,获得积分10
31秒前
咸鱼完成签到,获得积分10
31秒前
32秒前
idiom完成签到,获得积分10
35秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 830
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3248577
求助须知:如何正确求助?哪些是违规求助? 2892044
关于积分的说明 8269571
捐赠科研通 2560135
什么是DOI,文献DOI怎么找? 1388854
科研通“疑难数据库(出版商)”最低求助积分说明 650918
邀请新用户注册赠送积分活动 627798