机构名称：
¥ 8.0
在云服务的世界中，分布式应用的日益复杂性以及能源消耗的增加需要更有效的资源管理。因此，诸如Kubernetes之类的编排者被广泛用于自动处理工作负载和资源使用情况，从而确定时刻的最合适的节点可以在其中启动新任务。另一方面，人工智能算法的扩展应用，尤其是强化学习，开辟了新的发展机会。这些进步允许创建日益自主和最先进的系统。本文介绍并开发了在Kubernetes集群中调度的另一种方法。具体而言，提出的调度程序使用了深Q-NETWORK（DQN）增强学习算法，将定制插件集成在调度链的评分阶段中，以优化跨可用节点的负载分布。在开发这种创新且智能的方法时，已经对每个RL模型进行了培训，以学习具有特定目标，例如负载平衡，能源消耗优化或节点用户延迟延迟优化的独特政策。插件动态中实现的增强学习算法评估群集节点上可用的资源，并在遵守用户定义的约束时学习管理它们。通过根据其适合托管新豆荚的适用性为每个节点分配一个分数，这种智能方法支持决策，并作为调度系统的预测工具。随着时间的流逝，这使系统能够根据学习的政策不断改进其有关新工作负载的最佳分配的决定。该实施已在Kubernetes类型的环境上进行了测试，可以评估开发系统的整体性能以及所提出方法的有效性。尤其是，结果表明，与其他经过测试的政策相比，当目标是减少能耗和节点 - 用户潜伏期时，我们的政策被称为EC-RL，被证明是最佳选择，均与Kubernetes调度程序的默认行为相比。
通过加强学习安排Kubernetes任务
主要关键词
相关文件推荐
