本發明公開了一種無服務器計算中基于延遲和成本均衡的動態任務放置方法,根據強化學習的結果對任務放置進行決策:將任務放置在邊緣設備的任務執行隊列中等待計算;或將任務上傳至無服務器中計算。時間預測步驟中利用基于深度學習的小批量隨機梯度下降算法對線性預測模型進行迭代更新,在任務放置方法中使用基于強化學習的Q?Learning算法進行決策。Q?Learning算法通過構建Q?Table表格,對任務執行的狀態動作值函數進行維護和更新,依此綜合考慮任務的延遲和成本均衡,作出合理預測。本發明成量級地降低任務的延遲,并同時考慮了成本的控制,達到了在無服務器計算中對延遲和成本均衡的動態任務放置。
聲明:
“無服務器計算中基于延遲和成本均衡的動態任務放置方法” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究,如用于商業用途,請聯系該技術所有人。
我是此專利(論文)的發明人(作者)