10、实时最优边缘批处理系统EdgeBatch：原理、实现与应用

实时最优边缘批处理系统EdgeBatch：原理、实现与应用

1. 实时最优边缘批处理系统EdgeBatch概述

在边缘计算场景中，为了实现任务的高效处理，我们提出了实时最优边缘批处理系统EdgeBatch。该系统主要包含在线学习和离线评估两个阶段，其核心目标是最小化累积遗憾，实现任务批处理和卸载的优化。

1.1 累积遗憾的计算

累积遗憾 $R$ 可通过以下公式计算：
[R = \sum_{i=1}^{\Theta}(w_i \cdot R_i)]
累积遗憾代表了与最优批处理大小所实现的成本相比的额外成本。在线学习阶段的目标是动态更新权重向量 $W$，以使整体遗憾 $R$ 最小化。我们通过扩展PROD算法开发了一种在线遗憾最小化方案，具体算法如下：

# 算法2：在线遗憾最小化
# 输入: 权重向量 W = {w1, w2, ..., wΘ}, 学习参数 η, 当前批次索引 m
# 输出: 更新后的权重向量 W′ = {w′1, w′2, ..., w′Θ}
def online_regret_minimization(W, η, m):
    T = 100  # 假设的时间范围
    RB = 1  # 初始化 RB
    for t in range(T):
        if t is a control point:
            pi_sum = sum([η * wi for wi in W])
            for i in range(len(W)):
                pi = (η * W[i]) / pi_sum