在边缘计算网络中彻底改变负载和,使用概率性的蜂自动机和马尔科夫决策过程

科学领域:

• 计算机科学 计算机科学
• 分布式系统 分布式系统
• 人工智能的人工智能

背景情况:

• 边缘计算网络面临着由于分布式性质,动态工作负载和有限资源的负载平衡挑战.
• 传统的方法,如循环旋转和基于值的负载平衡,在边缘环境中缺乏可扩展性和灵活性.

研究的目的:

• 提出一个新的框架,以实现边缘网络的稳定状态负载平衡和动态适应.
• 解决现有的负载平衡方法在高度变化的边缘环境中的局限性.

主要方法:

• 这是一个新的框架,它结合了用于分布式,自组织负载平衡的主要组件分析 (PCA) 和用于节点决策的马尔科夫决策过程 (MDP).
• 基于局部负载,PCA分类利用随机性来建模邻近节点之间的相互作用.
• 大型发展计划框架优化了负载卸载政策,使用奖励来平衡和超过容量的处罚.

主要成果:

• 拟议的PCA-MDP系统实现了动态负载平衡,资源使用变化较低.
• 实验结果表明,与现有方法相比,负载分配效率更高,奖励函数稳定性更高,并更快地趋同.
• 关键性能指标包括负载方差,收时间和可扩展性验证模型的稳定性.

结论:

• PCA-MDP模型为边缘计算中的动态负载平衡提供了一个强大而可扩展的解决方案.
• 优化资源利用和负载协调将延迟降至最低,有利于自动驾驶汽车和物联网等实时应用程序.
• 这个框架为下一代可扩展的边缘计算负载平衡解决方案提供了基础.