声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2223/N
国际刊号：1000-0054
发布日期:
作者：刘光远, 陈世莹, 庞紫园
单位：1. 石家庄铁道大学 信息科学与技术学院，石家庄 050043,2. 石家庄铁道大学 河北省电磁环境效应与信息处理重点实验室，石家庄 050043,3. 石家庄铁道大学 石家庄市人工智能重点实验室，石家庄 050043
关键词：边缘云环境,服务功能链,收益,延迟,深度强化学习
基金：国家重点研发计划项目(2019YFB1701403)
针对边缘云环境中的服务功能链部署挑战，特别是资源限制、延迟满足和收入成本之间的权衡，该文提出了在延迟、计算资源和通信资源约束下，边缘云环境中服务功能链在线部署收益最大化的问题，并设计了基于深度强化学习的算法SDRM-EC-DPR。首先，根据市场供求规律为计算设备构建了部署成本模型，以此消除设备异构性并评估请求是否值得被接受；随后，为模型构建Markov决策过程，结合对决型双重深度Q网络(dueling double deep Q-network，D3QN)算法来处理大规模且复杂的决策过程，为优化学习效率并防止陷入局部最优，在D3QN的基础上引入优先经验回放机制及随机网络蒸馏技术。仿真实验在不同设备规模和服务功能链请求数量组合下展开，结果表明，相较于对比算法，SDRM-EC-DPR算法在总收益上实现了8.82%~18.95%的增长，此外，SDRM-EC-DPR算法在提高请求接受率、降低端到端延迟、优化运行时间以及负载均衡方面也表现出了明显优势。
来源：2025年第8期
《清华大学学报(自然科学版)》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。