我的新闻

Learning Adaptive Multi-Timescale Scheduling for Mobile Edge Computing（作者：Yijun Hao, Shusen Yang*, Fang Li, Yifan Zhang, Shibo Wang, and Xuebin Ren）。该工作提出了一个可以自动且自适应地确定多个调度层各自的更新时间尺度的框架EdgeTimer，该框架能够实现操作成本与服务性能之间更好地平衡。具体地，EdgeTimer中嵌入了三个新技术：1） 一个三层分层深度强化学习框架，用于有效学习紧密耦合的策略；2）一种针对去中心化调度定制的多智能体深度强化学习算法，并严格证明了其收敛性；以及3）一个轻量级系统安全模块，以确保系统的可靠性。大量基于真实数据的实验表明与最先进的方法相比，EdgeTimer能够在不牺牲时延性能的情况下显著降低服务提供商的操作成本，从而提高整体利润。

图1：边缘计算场景不同时间尺度的调度框架对比图