PPO+时空图神经网络，搞定云边端DAG调度，完工时间大降还均衡负载！
PPO-STGNN: A Proximal Policy Optimization Approach with Spatio-Temporal Graph Neural Networks for DAG Task Scheduling in Cloud-Edge-End Computing
📖 AI 总结
该论文提出了一种名为PPO-STGNN的DAG任务调度算法，旨在解决云-边-端协同环境中计算密集型有向无环图任务的调度难题。该方法将近端策略优化与时空图神经网络相结合，利用STGNN同时提取DAG任务拓扑和物理资源图的时空特征，再通过PPO优化调度策略，以最小化任务完成时间和调度长度比，并提升CPU与内存的负载均衡。为加速模型收敛，研究引入了多教师行为克隆机制进行预训练。实验结果表明，PPO-STGNN在保持较低完成时间的同时显著改善了负载均衡，适用于动态异构的云-边-端DAG调度场景。该研究为复杂依赖任务的资源调度提供了一种兼顾效率与均衡性的新思路。
🔑 关键词速览
| DAG | 有向无环图，用于表示具有依赖关系的任务集合，其中节点代表任务，边代表依赖关系。 |
| PPO | 近端策略优化，一种强化学习算法，通过限制策略更新幅度来稳定训练过程。 |
| STGNN | 时空图神经网络，一种能够同时处理图结构和时间动态的深度学习模型。 |
| makespan | 完工时间，指所有任务完成所需的总时间，是调度优化的重要指标。 |
| SLR | 调度长度比，衡量调度方案相对于关键路径长度的效率指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅