超级会员免费看
本文提出了一种基于深度强化学习的算网资源融合调度算法，以适应复杂网络环境中的资源配置需求。该算法通过感知网络状态，智能匹配计算任务和算力资源，降低系统成本。实验表明，DQNRS算法能有效减少时延和能耗，相较于其他策略，具有更好的系统性能和收敛性。
【摘 要】为有效支撑网络和计算深度融合的发展需求，新型的算力网络架构应运而生。在此背景下，如何实现算网资源的智能感知以及计算任务的高效调度，是当前网络需要解决的关键问题。为此，分析了面向算网融合的新型网络场景，设计了计算任务与算力节点的调度模型，提出了一种基于深度强化学习的资源调度算法。所提算法通过感知用户设备、算网资源可用容量和链路状态等关键信息，能够智能地做出系统成本最小的调度决策。最后，通过仿真实验验证了所提算法在节约系统成本方面的有效性。
【关键词】 算力网络 ; 资源调度 ; 深度强化学习
0 引言
当前信息时代高速发展，数字化和智能化应用的迅猛增长导致数据量呈指数级增加。海量数据不仅需要可靠传输，而且需要实时智能分析，使得传统网络在时延、带宽、可靠性等方面面临挑战。在此背景下，面向算网融合的新型网络架构被提出，如算力网络。算力网络旨在深度融合计算资源与网络资源，集中式或分布式管理云、端、边 3 层架构的算力资源。其目标是通过智能化调度和适配，高效利用有限的算力资源，以满足不断增长的数据处理需求，提供优质的服务质量和个性化的用户体验。北京交通大学提出了名为“智算融合网络”的新型网络体系。该智算融合网络不同于简单的算力资源和网络分离式协同，而是
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
