基于强化学习的移动边缘计算中容错感知任务卸载

《IEEE Transactions on Mobile Computing》：Fault-Tolerant Aware Task Offloading Based on Reinforcement Learning in Mobile Edge Computing

本文针对移动边缘计算中动态环境下的任务调度问题，提出故障容忍的离散软演员-批评算法（FT-DSAC）。该算法通过主备机制约束任务卸载位置和启动时间，结合集中训练与分布式执行架构优化系统性能，减少通信开销。实验表明，与主流基准相比，任务成功率提升6%-19%，延迟降低9%-27%。

　　

摘要：

近年来，移动边缘计算（MEC）已被广泛用于对延迟敏感的任务，但在动态边缘环境中的任务调度仍面临两个关键挑战。首先，边缘设备容易发生故障，现有的容错机制缺乏对任务的感知能力，这使得在故障发生时难以保证任务的及时性和可靠性。其次，由于感知能力有限、通信成本高昂以及任务结构复杂，当前的调度策略在动态系统中的适应性和稳定性方面仍然存在问题。在本文中，我们提出了一种容错离散软演员-评论家调度算法（FT-DSAC）。首先，我们设计了一种基于主备机制的容错（PBFT）调度方法，该方法限制了任务卸载的位置和启动时间，从而有效减轻了故障对任务执行的影响。此外，我们采用了集中训练和分布式执行（CTDE）架构，使得边缘服务器之间能够进行隐式的协作调度决策，从而优化系统性能并降低通信开销。最后，我们使用DAGGEN生成的模拟数据和真实世界的工作流数据进行了大量实验。实验结果表明，与主流基准算法相比，所提出的算法显著提高了任务执行成功率6%-19%，并降低了延迟9%-27%。