公开(公告)号：CN114691363A

公开(公告)日：2022-07-01

申请号：CN202210309973.8

申请日：2022-03-28

Applicant: 福州大学

Inventor： 陈哲毅 ,  熊兵 ,  陈礼贤

IPC: G06F9/50 ,  G06N3/04 ,  G06N3/08 ,  G06F17/18 ,  G06F17/16

Abstract: 本发明涉及一种基于深度强化学习的云数据中心自适应高效资源分配方法。首先，采用actor参数化策略（分配资源），并根据critic（评估操作）评估的分数选择操作（调度作业）。然后利用梯度上升更新资源分配策略，利用优势函数减小策略梯度的方差，提高了训练效率;我们使用来自谷歌云数据中心的真实数据进行了广泛的模拟实验。本发明方法与2种先进的基于DRL的云资源分配方法和5种经典的云资源分配方法相比，该方法在延迟和作业丢弃率方面具有更高的服务质量（Quality‑of‑Service，QoS），且能量效率更高。

公开(公告)号：CN115357371A

公开(公告)日：2022-11-18

申请号：CN202210345965.9

申请日：2022-03-31

Applicant: 福州大学

Inventor： 陈哲毅 ,  陈礼贤 ,  熊兵

IPC: G06F9/50

Abstract: 本发明涉及一种基于深度学习的面向高维高可变云工作负载的预测方法，包括以下步骤：步骤S1:获取云数据中心的历史工作负载数据，并进行预处理；步骤S2:基于原始数据集，采用一种集成了改进的稀疏自编码器TSA和门控循环单元GRU的深度学习算法L‑PAW预测处理器未来的工作负载，并将预测结果传输到CSP；步骤S3：CSP根据预测结果来确定资源调配策略，使云数据中心实现负载平衡。本发明实现自适应和有效的工作负载预测，有效提高云计算中的高效资源调配效率。

公开(公告)号：CN117221952A

公开(公告)日：2023-12-12

申请号：CN202311287957.4

申请日：2023-10-08

Applicant: 福州大学

Inventor： 陈哲毅 ,  钟璐英 ,  陈辉 ,  熊兵 ,  黄智钦

IPC: H04W28/084 ,  H04W28/24 ,  H04L67/10

Abstract: 本发明提出一种边缘环境下面向时延约束的计算卸载方法，设计了一种统一的计算卸载与资源分配模型针对时延约束条件下的MEC系统，并以降低执行任务的时延和功耗的加权和作为优化的目标。在本发明中，创新了一个预处理任务的优先级机制，基于任务的数据大小和设备的性能，对任务进行优先级排序。此外，还提出了一种基于DDPG的计算卸载与资源分配方法，可以很有效地靠近在动态MEC条件下计算卸载和资源分配。在此模型中，actor网络进行计算卸载与资源配置操作，critic网络评估所进行的计算卸载与资源配置操作的得分。大量实验证明所提出的方法能够实现及时的计算卸载和资源分配决策，在最大时延约束下实现了延迟和能耗之间的最佳权衡。

公开(公告)号：CN115567978A

公开(公告)日：2023-01-03

申请号：CN202211200913.9

申请日：2022-09-29

Applicant: 福州大学

Inventor： 陈哲毅 ,  黄思进 ,  张俊杰 ,  熊兵

IPC: H04W28/06 ,  H04W28/08

Abstract: 本发明涉及一种多约束边环境下计算卸载与资源分配联合优化系统及方法，针对多约束条件下动态的MEC系统设计了一种统一的计算卸载与资源分配模型，并将执行任务的时延与能耗作为优化目标。设计了一种任务优先级预处理机制，能够根据任务的数据量与移动设备的性能为任务分配优先级，并提供一种基于深度强化学习的计算卸载与资源分配联合优化方法JOR‑RL，在JOA‑RL方法中，critic网络采用基于值函数的单步更新方式，用于评价当前卸载方案与资源调度策略；而actor网络采用基于策略梯度的更新方式，用于输出卸载方案与资源调度策略。本发明在提升任务执行成功率以及降低任务执行时延与能耗方面效果显著。