基于强化学习的算力资源度量方法

工业边缘计算中,节点具有分布零散、异构以及算力受限的特点,为保障算力供给通常采用任务与平台紧耦合的模式,然而该模式易使生产系统刚性化,资源复用效率低,冗余资源成本高昂.针对这一问题本文提出了多维度任务分析与强化学习相结合的算力度量方法,首先对工业场景中计算任务的时、空复杂度,计算类型等特征进行细粒度分析,通过构建任务模型与计算模型分析各计算任务特征与资源需求比例之间的关系;随后,基于上述分析构建马尔科夫决策过程并把状态、动作、奖励建立为三元组,将奖励值定义为对任务执行时间的预测优化问题;最后,设计基于深度Q网络的计算任务算力度量方法,对不同形式的计算任务进行算力需求量化,并通过与设备实际算力消耗进行分析对比,验证所提方法可有效降低不必要的资源损耗.实验结果显示,所提出的模型和方法预测任务执行时间成功率可达 99.37％,相较于Q-Learning等算法提升了约 5.84％、7.54％和 34.23％,可有效实现边缘侧的算力度量.