《Intelligent Systems with Applications》:PRECOG-Edge: A predictive-cognitive system from reactive scheduling to adaptive coordination in edge environments
编辑推荐:
本研究开发了PRECOG-Edge,一种面向异构边缘环境的去中心化预测-认知调度系统(decentralized predictive-cognitive scheduling system)。该系统在统一的调度架构中集成了基于长短期记忆网络(Long Sho
本研究开发了PRECOG-Edge,一种面向异构边缘环境的去中心化预测-认知调度系统(decentralized predictive-cognitive scheduling system)。该系统在统一的调度架构中集成了基于长短期记忆网络(Long Short-Term Memory, LSTM)的资源预测、有界大语言模型(Large Language Model, LLM)辅助推理、公平感知调度(fairness-aware scheduling)以及确定性策略执行。研究人员提出了一种去中心化的智能体对智能体(Agent-to-Agent, A2A)协商协议,使任务能够在无需集中控制或共享全局状态的情况下实现自主协调。研究结果表明,与反应式调度相比,预测性预测和有界上下文推理能够改善工作负载分布、公平性以及热点规避能力。该系统实现了具有韧性的去中心化协调,在异构边缘节点上保持自主运行的同时,将工作负载不平衡度降低至基尼系数(Gini coefficient)低至0.057的水平。
论文解读:PRECOG-Edge——面向异构边缘环境的去中心化预测-认知调度系统
一、研究背景与问题提出
随着自主系统、分布式智能系统以及物联网(Internet of Things, IoT)部署的持续扩展,现代计算与控制管道的复杂性显著增加。信息物理系统(Cyber-Physical Systems, CPS)、机器人平台及IoT设备持续从空间分布的传感器和嵌入式设备中产生异构且高频的数据。边缘计算与边缘人工智能(Edge AI)通过将计算推向数据源附近,在降低延迟的同时改善了隐私保护和能效。然而,边缘环境本质上具有高度动态性,表现为异构资源、有限计算能力、波动的工作负载以及间歇性网络连接,这些特征使得任务调度和工作负载分配远比集中式云基础设施更具挑战性。传统调度策略往往依赖反应式机制或集中式协调,在资源条件快速变化时其可扩展性和适应性受限。尽管预测性调度、资源预测及AI辅助决策已取得显著进展,但现有边缘调度方法通常独立地处理这些能力,缺乏一个能够将预测性资源管理、受约束的认知推理与去中心化多智能体协调整合于统一调度架构中的可部署系统。这一研究空白促使研究人员开发PRECOG-Edge系统。
二、研究内容与核心贡献
研究人员设计并实现了PRECOG-Edge,一种面向异构边缘环境的去中心化预测-认知调度系统。该系统在每个边缘节点上执行连续资源监控、基于轻量级LSTM模型的短时预测以及基于投标的协调协议。预测的资源利用率被转化为确定性适宜度分数(suitability score),用于指导工作节点选择并界定LLM辅助推理的决策上下文。在有限决策空间内,LLM提供上下文感知和公平感知的建议以及人类可读的调度解释,而调度决策始终受确定性资源和策略规则的约束。PRECOG-Edge支持四种运行模式:反应式(Reactive)、预测式(Predictive)、认知式(Cognitive)和自主式(Autonomous),这些模式逐步纳入预测、上下文推理和去中心化协调能力,从而能够系统性地评估预测、推理与协调各自的及组合的贡献。该系统的创新性在于架构层面而非算法层面,建立了统一的预测-认知调度流水线,将预测性资源预测、受约束的LLM辅助推理、公平感知调度、确定性策略执行及去中心化A2A协商整合于单一可部署调度系统中。
三、关键技术方法
研究人员采用的主要关键技术方法包括:其一,基于轻量级LSTM模型的短时资源预测,模型在本地执行自回归预测,预测CPU、内存和磁盘利用率在未来5个时间步的轨迹;其二,确定性适宜度评估机制,将预测的资源可用性转化为确定性适宜度分数,同时结合可靠性、声誉等指标;其三,有界LLM辅助推理,LLM在由适宜度分数和调度约束定义的确定性决策空间内提供上下文感知建议和可读解释;其四,去中心化A2A协商协议,基于投标收集、公平感知排序和确定性任务分配实现自主任务协调;其五,公平感知调整评分与硬分配上限机制,防止高评分节点持续主导;其六,运行时幻觉检测机制,检测并纠正LLM输出的矛盾内容。实验在包含四台异构物理机的边缘测试平台上进行,采用物理节点和逻辑节点两种部署配置,所有计算均在CPU-only环境下执行。
四、研究结果
4.1 预测性资源预测对调度性能的影响
通过对比反应式模式与预测式模式的实验结果表明,LSTM短时预测能够使调度决策提前感知即将出现的资源压力,显著改善了工作负载分布,降低了任务被分配给即将资源饱和节点的概率。预测式模式在异构节点条件下表现出更均衡的任务分配和更低的热点出现频率。
4.2 LLM辅助推理对决策支持与可解释性的贡献
认知式模式中,LLM在确定性适宜度分数定义的决策空间内提供上下文感知推荐。实验表明,LLM能够有效整合工作负载历史、公平性指标、可靠性及任务特征等上下文信息,生成公平感知的调度建议和人类可读的解释。运行时幻觉检测机制成功识别并纠正了矛盾性LLM输出,确保认知推理不会破坏确定性调度行为。
4.3 去中心化多智能体协调的可扩展性与韧性
自主式模式通过A2A协商协议实现了无需集中控制或全局状态的任务协调。实验结果显示,该系统在12个逻辑节点的配置下实现了有效的工作负载均衡,基尼系数低至0.057。心跳监控和自动任务重分配机制使系统能够在节点不可用或通信故障时自动恢复,表现出良好的容错性和韧性。
4.4 四种运行模式的综合比较
渐进式能力评估表明,预测式模式相比反应式模式在负载均衡和热点规避方面具有明显优势;认知式模式进一步改善了公平性和决策可解释性;自主式模式在保持调度性能的同时实现了去中心化协调和故障恢复能力。所有模式均在CPU-only边缘设备上成功运行,验证了预测-认知调度在资源受限环境中的可行性。
五、讨论与结论
讨论部分指出,预测性预测和有界上下文推理能够改善工作负载分布、公平性和热点规避能力,相比反应式调度具有显著优势。去中心化协调在保持自主运行的同时实现了具有韧性的任务分配。研究结果验证了将预测、推理与协调整合于统一架构的可行性,表明LLM可以在不成为调度权威的前提下增强系统的上下文感知和可解释性。研究结论为:PRECOG-Edge成功展示了在异构CPU-only边缘环境中,通过统一的预测-认知调度架构实现去中心化、可解释且资源感知的任务调度的可行性。该系统在无集中控制、无共享全局资源状态、无GPU基础设施的条件下,保持了确定性调度行为,同时实现了低至0.057的基尼系数所表征的出色负载均衡,为边缘环境中的智能调度提供了新的架构范式。