面向算网融合系统的智能调度机制研究

作     者：朱思锴 

作者单位：广东技术师范大学 

学位级别：硕士

导师姓名：廖丽平

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：算网融合 智能路由 调度策略 负载预测 流行度预测 

摘      要：算网融合系统指将计算设施和通信网络设施相融合的系统,目的是为更有效地提高资源利用率,优化网络性能,满足用户个性化需求。为了满足多样化的用户需求,算网融合系统需要根据用户需求的类型和计算任务的特性,选择合适的计算资源进行任务处理,最大化系统的整体效益。然而,现有的方法通常是基于静态规划或启发式算法设计的,这些方法难以适应网络流量的动态性,存在缺乏业务感知能力和资源利用率较低的问题。因此,在网络负载较大或者任务类型发生变化时,传统调度机制难以及时作出调整,导致系统性能下降。为此,本文提出了一种能感知用户需求,预测节点计算负载的智能流量调度策略,提升面向算网融合系统的调度机制性能。本文主要工作如下:(1)感知用户需求。基于用户需求和内容流行度的密切关系,以算网融合系统中占比最大的视频业务为研究对象,提出一种结合卷积神经网络(Convolutional Neural Network,CNN)、双向长短期记忆网络(Bi-directional Long Short-Term Memory,Bi LSTM)和注意力机制的内容流行度预测算法。实验结果表明,相比ARIMA、SVR算法、LSTM算法和GRU算法,本文算法具有更高的预测准确率。(2)节点计算负载预测。为了对算网融合系统的计算资源负载进行预测,提高调度机制对计算资源的感知能力,提出一种基于生成对抗网络(Generative Adversarial Networks,GAN)的节点计算负载预测模型,该模型通过梯度惩罚机制,避免了传统GAN模型中的训练不稳定问题。与长短期记忆网络LSTM和GRU相比,WGAN-GP平均绝对误差(Mean Absolute Error,MAE)分别降低了22.8%和12.6%,均方根误差(Root Mean Square Error,RMSE)分别降低16.8%和3.4%,在负载预测的场景下具有更好的准确性。(3)智能调度策略。为了实现业务流量在系统中的高效灵活调度,本文提出了一种基于深度Q学习(Deep Q-Learning,DQN)的智能流量调度机制,匹配算网融合系统中的用户需求与计算资源。实验结果表明,本文提出的基于计算负载预测的DQN流量调度策略相比DDPG流量调度策略和DQN流量调度策略,丢包率和平均流完成时间更低,训练速度更快,并有效减少了智能体所需探索的动作空间大小,提高了调度策略的性能。本文将为构建算网融合的新型算力网络体系提供关键的技术基础,对于实现对计算、存储、网络等多种资源的统一调度和优化,提高网络性能和服务质量具有现实意义。