基于卷积神经网络的工作负载和资源感知任务管理在雾计算网络中的应用
《IEEE Open Journal of the Communications Society》:Convolutional Neural Network-based Workload and Resource-aware Task Management in Fog Networks
【字体:
大
中
小
】
时间:2026年05月13日
来源:IEEE Open Journal of the Communications Society 6.1
编辑推荐:
摘要:随着对延迟敏感的物联网(IoT)应用的普及,雾计算必须通过在边缘设备附近执行计算来满足严格的实时要求。然而,现有的任务分配和卸载方法主要是反应式的,依赖于当前系统状态而无法预测未来的负载波动——这导致在突发工作负载下频繁出现拥堵、资源利用不足以及任务截止日期错过。尽管有一
摘要:
随着对延迟敏感的物联网(IoT)应用的普及,雾计算必须通过在边缘设备附近执行计算来满足严格的实时要求。然而,现有的任务分配和卸载方法主要是反应式的,依赖于当前系统状态而无法预测未来的负载波动——这导致在突发工作负载下频繁出现拥堵、资源利用不足以及任务截止日期错过。尽管有一些研究探讨了工作负载预测,但大多数研究使用的是简单的统计模型或复杂的循环网络(例如LSTM),这些方法不适合在资源受限的雾节点上进行实时部署。为了解决这些限制,本文提出了基于卷积神经网络(CNN)的预测性任务分配框架“Convolutional Assignment Strategy for Tasks”(CAST),该框架专为资源受限的雾网络设计,能够实现主动的、考虑截止日期的以及负载均衡的决策制定。CAST采用三层架构,包括IoT设备、雾节点和中央控制器。在IoT层,任务根据任务大小、截止日期和设备限制在本地执行或卸载到雾节点。雾节点使用“最早截止日期优先”(EDF)调度策略对任务进行排队,并定期向控制器报告工作负载。中央控制器利用训练有素的CNN预测未来的工作负载,该CNN基于代表所有雾节点的时间序列工作负载矩阵。与循环神经网络(RNN)或Transformer不同,后者由于顺序处理或二次自注意力复杂性而产生较高的计算延迟,CNN利用工作负载矩阵的时空网格高效提取层次特征,捕捉节点之间的时间动态和空间相关性。其计算效率和可并行性使其适合在资源受限的网络上进行实时执行。预测的工作负载帮助控制器对节点进行分类...
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号