机构名称：
¥ 1.0
摘要 - 集体式边缘计算（CEC）已成为有前途的范式，使边缘节点能够从最终设备进行协作并执行微服务。微服务卸载是一个根本重要的问题，它决定服务到达时何时何地执行微服务。然而，现实世界中CEC环境的动态性质通常会导致微服务效率低下的策略，从而导致资源不足和网络拥堵。为了应对这一挑战，我们制定了在线联合微服务折叠和带宽分配问题JMOBA，以最大程度地减少服务的平均完成时间。在本文中，我们引入了一种新颖的微服务卸载算法，DTDRLMO，该算法利用深度强化学习（DRL）和数字双技术。具体来说，我们采用数字双技术来预测和适应CEC实时的Edge节点负载和网络条件的变化。此外，此方法可以生成有效的卸载计划，为每个微服务选择最合适的边缘节点。对现实世界和合成数据集的仿真结果表明，在平均服务完成时间中，DDDRLMO在平均服务时间内优于启发式方法和基于学习的方法。索引术语 - Microservice卸载，深入强化学习，数字双胞胎，协作边缘计算
资源的数字双辅助增强学习...
主要关键词
相关文件推荐
