بهینه سازی زمانبندی و ذخیره سازی نتایج وظایف در محیطهای مه-ابر با یادگیری تقویتی

با گسترش اینترنت اشیا و افزایش تعداد حسگرها در محیط ابر -مه، نیاز به پاسخهای سریع و کارآمد به درخواستهای پردازشی کاربران افزایش یافته استتتا این مقاله بر راهبرد ۱ زمانبندی وظایف با تمرکز بر ادغام زمانبندی و ذخیره سازی نتایج وظایف تاکید دارد، زیرا این ادغام راهحلی عملی برای مدیریت منتابع اراهه میدهدا در حالی که تحقیقتا قبلی به زمانبنتدی وظایف پرداختتهاند، ولی به ذخیره سازی نتایج وظایف توجه کمی شده است این مقاله به طور همزمان از هر دو روش برای کاهش زمان پاستخ و کاهش هزینه در محیط ابر -مه استفاده میکند. هدف در زمانبندی وظایف، ذخیره سازی نتایج وظایف پر درخواست برای پاسخ گویی سریع به کاربران است تا الگوریتم زمانبندی و ذخیره سازی در تعیین منابع مناست برای پردازش و ذخیره سازی حیاتی است در این تحقیق از یادگیری تقویتی برای تشویق منابع بهینه و یک زمان بندی بلادرنگ مبتنی بر بازیگر -منتقد برای محیطهای ابر -مه استفاده شده است. این چارچوب از یادگیری در محیطهای پویا و پیوسته ۲ با چند عامل ۳ پشتیبانی میکن نتایج تجربی، بهبود قابل توجهی در زمان پاسخ و هزینه های عملیاتی نسبت به الگوریتمهای پیشرفته مانند A۳C-R۲N۲ ، DDQN ، LR-MMT و LRR-MMT را نشان میدهد.

Keywords:

زمانبدی وظایف , ذخیره سازی نتایج , مدیریت منابع , یادگیری تقویتی