本发明公开了一种无服务器计算中基于延迟和成本均衡的动态任务放置方法,根据强化学习的结果对任务放置进行决策:将任务放置在边缘设备的任务执行队列中等待计算;或将任务上传至无服务器中计算。时间预测步骤中利用基于深度学习的小批量随机梯度下降算法对线性预测模型进行迭代更新,在任务放置方法中使用基于强化学习的Q‑Learning算法进行决策。Q‑Learning算法通过构建Q‑Table表格,对任务执行的状态动作值函数进行维护和更新,依此综合考虑任务的延迟和成本均衡,作出合理预测。本发明成量级地降低任务的延迟,并同时考虑了成本的控制,达到了在无服务器计算中对延迟和成本均衡的动态任务放置。
声明:
“无服务器计算中基于延迟和成本均衡的动态任务放置方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究,如用于商业用途,请联系该技术所有人。
我是此专利(论文)的发明人(作者)