相关实验视频
Updated: Jun 21, 2025
08:16
Movement Retraining using Real-time Feedback of Performance
Published on: January 17, 2013
13.4K
基于服务器实时性能的深度强化学习任务调度方法
Jinming Wang1, Shaobo Li1, Xingxing Zhang1
1State Key Laboratory of Public Big Data, Guizhou University, Guiyang, Guizhou, China.
PeerJ. Computer science
|July 10, 2024
概括
本研究介绍了一种新的深度强化学习任务调度方法 (SRP-DRL),该方法考虑实时服务器性能,而不仅仅是负载. SRP-DRL优化了云任务调度,通过减少响应时间和负载差异来提高效率和用户体验.
科学领域:
- 云计算 云计算 云计算 云计算
- 人工智能的人工智能
- 性能优化 性能优化
背景情况:
- 云任务调度受到传统方法的阻碍,这些方法忽视了实时服务器负载性能动态.
- 这导致不准确的处理能力评估,影响效率和用户体验.
研究的目的:
- 为云环境开发一种先进的任务调度方法.
- 通过结合实时服务器性能来提高云任务调度效率,性能和用户体验.
主要方法:
- 构建了一个性能平台模型来监控服务器实时负载和性能.
- 提出了基于服务器实时性能 (SRP-DRL) 的深度强化学习任务调度方法.
- 将实时绩效意识策略集成到深度强化学习 (DRL) 模型中.
主要成果:
- 与传统方法 (随机,圆,EITF,BEST-FIT) 相比,SRP-DRL表现优越.
- 实现了更好的任务平均响应时间,成功率和服务器平均负载变异.
- 在高任务到达率期间显著降低了服务器平均负载变化.
结论:
- 在延迟限制下,SRP-DRL方法有效优化云系统性能.
- 实时性能意识的调度提高了DRL模型的感知和负载平衡能力.
- 对于高效的云任务管理,SRP-DRL提供了显著的改进.
