基于扩散的时空信道预测：通过非平稳性解耦方法

《IEEE Transactions on Cloud Computing》：Diffusion-based Spatio-Temporal Channel Prediction via Non-Stationarity Decoupling

　　

摘要：

高效的容器编排是雾计算和边缘计算中的一个关键挑战，因为动态的工作负载和硬件异构性要求采用超越传统静态启发式的自适应调度方法。本文介绍了CARS（Container-Aware Resource Scheduler），这是一个基于智能强化学习框架的容器放置解决方案，专为异构雾环境设计。CARS基于Twin Delayed Deep Deterministic Policy Gradient（TD3）算法，能够在动态条件下持续学习最优调度策略。多目标奖励设计同时优化了能耗、响应延迟、任务迁移频率、吞吐量和服务水平协议（SLA）的遵守情况。为了处理容器与主机之间的离散映射，CARS采用了基于Softmax的概率转换方法，随后通过Argmax进行选择，从而确保在大小不一的集群中实现可扩展且精确的主机分配。使用COSCO仿真环境进行的实验评估表明，与DDPG和标准TD3相比，CARS平均响应时间分别减少了53%和40%，在能效方面比DRLMOTS提高了21.4%，并将SLA违规情况减少了81%。这些结果证实，CARS为关注能耗和延迟敏感性的雾计算系统提供了一种强大且可扩展的解决方案。