PPO-STGNN: новый алгоритм планирования задач в гетерогенных средах Cloud-Edge-End
В условиях стремительного развития интернета вещей все чаще возникают вычислительно интенсивные задачи, представленные в виде ориентированных ациклических графов (DAG). Такие задачи выполняются в совместных средах, объединяющих облачные, туманные и оконечные узлы, которые различаются по производительности, пропускной способности и энергопотреблению.
Эффективное планирование подобных задач с учетом сложных зависимостей относится к классу NP-трудных проблем. Традиционные эвристики и классические методы обучения с подкреплением часто не способны отразить пространственно-временную динамику ресурсов, что снижает качество решений в реальных условиях.
В новой работе, опубликованной на arXiv, представлен алгоритм PPO-STGNN, объединяющий метод проксимальной оптимизации политики (PPO) и пространственно-временные графовые нейронные сети (STGNN). Авторы используют STGNN для извлечения признаков как из топологии DAG-задачи, так и из физического графа ресурсов cloud-edge-end. Затем политика планирования оптимизируется с помощью PPO.
Ключевая цель алгоритма — минимизировать общее время выполнения (makespan) и коэффициент длины расписания (SLR), одновременно повышая сбалансированность загрузки процессора и памяти. Для ускорения сходимости применен механизм многопользовательского поведенческого клонирования на этапе предварительного обучения.
Экспериментальные результаты, по данным авторов, показывают, что PPO-STGNN значительно улучшает балансировку нагрузки, сохраняя при этом низкое время завершения задач. Это делает алгоритм пригодным для динамических и гетерогенных сценариев планирования DAG-задач в средах cloud-edge-end.
Разработка может найти применение в системах интернета вещей, где требуется оперативно распределять вычислительные нагрузки между разнородными устройствами, а также в других областях, связанных с потоковой обработкой данных и распределенными вычислениями.
