کنفرانس مهندسی برق ایران

صفحه اصلی / سی و چهارمین کنفرانس بین المللی مهندسی برق

چارچوب مدیریت منابع پویا و اولویت‌محور برای رایانش لبه ای مبتنی بر میکروسرویس، با استفاده از یادگیری تقویتی

نویسندگان :

سودابه محمدی¹ بهزاد اکبری²

1- دانشگاه تربیت مدرس تهران 2- دانشگاه تربیت مدرس تهران

کلمات کلیدی :

تخصیص منابع،رایانش لبه،معماری بومی ابر،نرخ پذیرش،یادگیری تقویتی

چکیده :

با گسترش اینترنت اشیاء و افزایش حجم داده‌ها، مدیریت پویای منابع در رایانش لبه–ابر، به‌ویژه با وجود منابع ناهمگن و وظایف دارای محدودیت زمانی، به یکی از چالش‌های اساسی تبدیل شده است. هر وظیفه به‌صورت مجموعه‌ای از میکروسرویس‌ها با وابستگی‌های داده‌ای مدل می‌شود که باید پیش از مهلت تعیین‌شده، اجرا شوند. در این پژوهش، چارچوبی مبتنی بر یادگیری تقویتی با عنوان PERDM (مدیریت پویای منابع لبه اولویت‌محور برای میکروسرویس‌ها) ارائه می‌شود که وظایف ورودی را بر اساس سطح اولویت به سه دسته، تقسیم‌ می‌کند. نوآوری اصلی این پژوهش، ادغام مکانیزم اولویت‌محور در فرآیند تصمیم‌گیری الگوریتم یادگیریQ (Q_Learning) است به‌گونه‌ای که اولویت وظایف، به‌طور هم‌زمان در انتخاب منبع و تابع پاداش لحاظ شده و میکروسرویس‌ها به‌صورت پویا به گره‌های لبه یا ابر مرکزی تخصیص می‌یابند. هدف اصلی، بیشینه‌سازی نرخ پذیرش وظایف حساس به زمان، بدون ایجاد افت غیرمنطقی در عملکرد سایر وظایف است. نتایج نشان می‌دهد که الگوریتم PERDM در مقایسه با الگوریتم یادگیری Q متداول و روش تصادفی، نرخ پذیرش بالاتری برای وظایف با اولویت بالا ارائه داده و همگرایی پایدار‌تری در طول فرآیند یادگیری دارد. این نتایج اثربخشی رویکرد یادگیری تقویتی اولویت‌محور را در کاهش نرخ رد وظایف در رایانش لبه–ابر مبتنی بر میکروسرویس‌ تأیید می‌کند.