پیشنهادرویکرد یادگیری تقویتی عمیق برای مدیریت هماهنگ توزیعشده میکروسرویس ها در پیوستار ابر-لبه

در شبکه های رایانش لبه-ابر، وجود منابع محاسباتی توزیع شده و ناهمگن، همراه با پویایی وظایف و وابستگی تصمیمات، فرآیند مدیریت هماهنگ توزیع شده سرویس ها را با چالشهای متعددی مواجه کرده است. این مقاله روش یادگیری تقویتی عمیق سلسلهمراتبی برای ارکستراسیون توزیع شده این برنامه ها در پیوستار ابر-لبه پیشنهاد می دهد. در این چارچوب، چندین عامل در سطح لبه و یک عامل در سطح ابر به صورت هماهنگ وظایف کشف خدمات و انتقال محاسبات را مدیریت می کنند. در این روش، از یادگیری تقویتی عمیق (Deep Reinforcement Learning – DRL) به همراه تکنیک هایی نظیر برنامه نویسی پویا (Dynamic Programming)، مدلهای پیش بینی، و الگوریتم های ژنتیک برای استقرار بهینه میکروسرویسها در محیط های پویا و ناهمگون مانند رایانش لبه ای و ابر-لبه پیشنهاد شده است. هدف مدیریت کارها همراه با حفظ کیفیت سرویس (QoS) با کاهش تاخیر و افزایش بهرهوری منابع محاسباتی و ارتباطی است نتایج شبیه سازیها نشان می دهد که روش پیشنهادی نسبت به الگوریتمهای موجود، باعث بهبود ۳۳٪ در سرعت همگرایی و کاهش ۹۳٪ در تاخیر پاسخ سرویسها شد.

کلیدواژه ها:

یادگیری تقویتی عمیق ، ارکستراسیون توزیع شده ، رایانش لبه ، رایانش ابری ، انتقال محاسبات ، کشف سرویس