論文の概要: PPO-STGNN: A Proximal Policy Optimization Approach with Spatio-Temporal Graph Neural Networks for DAG Task Scheduling in Cloud-Edge-End Computing
- arxiv url: http://arxiv.org/abs/2609.03503v1
- Date: Thu, 03 Sep 2026 08:04:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.978081
- Title: PPO-STGNN: A Proximal Policy Optimization Approach with Spatio-Temporal Graph Neural Networks for DAG Task Scheduling in Cloud-Edge-End Computing
- Title（参考訳）: PPO-STGNN:クラウドエッジエンドコンピューティングにおけるDAGタスクスケジューリングのための時空間グラフニューラルネットワークを用いたポリシー最適化手法
- Abstract要約: 本稿では、時相グラフニューラルネットワーク(STGNN)を統合したタスクシャリングアルゴリズムであるPPO-STGNNを提案する。
その結果, PPO-STGNNは, 低完成時間を維持しながらロードバランシングを著しく改善することがわかった。
動的でヘテロジニアスなクラウド・エッジ・エンドDAGスケジューリングシナリオに適している。
- 参考スコア（独自算出の注目度）: 3.11321804521525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the rapid development of the Internet of Things, computation intensive directed acyclic graph (DAG) tasks have become increasingly common in cloud-edge-end collaborative environments. However, cloud, edge, and end nodes are highly heterogeneous in computing capacity, network bandwidth, and energy consumption, which makes the efficient scheduling of tasks with complex dependencies an NP-hard problem. Traditional heuristic algorithms and conventional reinforcement-learning methods often fail to capture the spatio-temporal dynamics of system resources. This paper proposes PPO-STGNN, a DAG task-scheduling algorithm that integrates proximal policy optimization (PPO) with spatio-temporal graph neural networks (STGNNs). The method uses an STGNN to extract features from both the DAG task topology and the physical cloud-edge-end resource graph, and then optimizes the scheduling policy through PPO to minimize makespan and schedule length ratio (SLR) while improving CPU and memory load balancing. To accelerate convergence, a multi-teacher behavior-cloning mechanism is introduced for pretraining. Experimental results show that PPO-STGNN significantly improves load balancing while maintaining a low completion time, making it suitable for dynamic and heterogeneous cloud-edge- end DAG scheduling scenarios.
- Abstract（参考訳）: モノのインターネット(Internet of Things)の急速な発展に伴い、計算集約型非循環グラフ(DAG)タスクは、クラウドとバックエンドの協調環境においてますます一般的になっている。
しかし、クラウド、エッジ、エンドノードは計算能力、ネットワーク帯域幅、エネルギー消費において非常に均一であり、複雑な依存関係を持つタスクの効率的なスケジューリングはNP困難である。
従来のヒューリスティックアルゴリズムと従来の強化学習手法は、しばしばシステムリソースの時空間的ダイナミクスを捉えるのに失敗する。
本稿では、近似ポリシー最適化(PPO)と時空間グラフニューラルネットワーク(STGNN)を統合するDAGタスクスケジューリングアルゴリズムであるPPO-STGNNを提案する。
この方法は、STGNNを用いて、DAGタスクトポロジと物理クラウド-エッジリソースグラフの両方から特徴を抽出し、PPOによるスケジューリングポリシーを最適化し、CPUとメモリロードバランシングを改善しながら、メースパンとスケジュール長比(SLR)を最小化する。
収束を加速するために,事前学習のためのマルチ教師行動閉鎖機構を導入する。
実験の結果, PPO-STGNNは, 低完成時間を維持しながらロードバランシングを著しく改善し, 動的かつ均一なクラウド-エッジ-エンドDAGスケジューリングシナリオに適していることがわかった。
関連論文リスト
- Multi-Timescale Latent-Action DRL for Joint Optimization in Edge-Cloud Networks [48.421359451414155]
エッジクラウドとレイヤ間のロード不均衡は、レイテンシのパフォーマンスを低下させる。
動的タスク到着と異種リソースの下での階層型エッジクラウドコンピューティングシステム。
本稿では,サービス配置を最適化するための行動空間(2MDRL-LA)を用いた2時間深層学習研究を提案する。
平均e2e遅延を20.8%削減し、計画よりも13%改善した。
論文 参考訳（メタデータ） (2026-06-30T11:56:15Z) - On the Role of DAG topology in Energy-Aware Cloud Scheduling : A GNN-Based Deep Reinforcement Learning Approach [0.0]
単一ワークフローでキュー不要なスケジューリング設定について検討し、グラフニューラルネットワーク(GNN)に基づく深層強化学習スケジューラを検討する。
我々は、GNNベースの深層強化学習スケジューラが失敗する特定のアウト・オブ・ディストリビューション(OOD)条件を特定し、これらの障害が発生した理由を原則的に説明する。
論文 参考訳（メタデータ） (2026-04-10T10:44:30Z) - TimeGNN-Augmented Hybrid-Action MARL for Fine-Grained Task Partitioning and Energy-Aware Offloading in MEC [39.30264321748534]
本稿では,複数のエッジサーバを対象とした協調計算フレームワークを提案する。
多次元サーバ状態情報の時系列をモデル化し、予測するために、時間グラフニューラルネットワーク(TimeGNN)が組み込まれている。
また、離散連続ハイブリッドアクション空間において、マルチエージェント決定論的ポリシー勾配アルゴリズム(DC-MADDPG)を導入する。
論文 参考訳（メタデータ） (2026-01-08T02:24:58Z) - Decentralized Distributed Proximal Policy Optimization (DD-PPO) for High Performance Computing Scheduling on Multi-User Systems [45.62643537023675]
本研究では,分散型分散プロキシポリシー最適化(DD-PPO)アルゴリズムを用いた新しいRLベースのスケジューラを提案する。
DD-PPOアルゴリズムは、各ステップでパラメータ同期を必要とせずに、複数のワーカーにまたがる大規模な分散トレーニングをサポートする。
検証データセットは、1150万以上の実際のHPCジョブトレースを利用して、DD-PPOのパフォーマンスを従来のスケジューリング手法と高度なスケジューリング手法と比較した。
論文 参考訳（メタデータ） (2025-05-06T19:50:37Z) - Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。
最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-02T01:36:13Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳（メタデータ） (2023-05-02T07:41:16Z) - Temporal Aggregation and Propagation Graph Neural Networks for Dynamic
Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。
本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。
提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-15T08:17:18Z) - Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。
我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
論文 参考訳（メタデータ） (2022-11-19T15:44:08Z) - A Scalable Deep Reinforcement Learning Model for Online Scheduling
Coflows of Multi-Stage Jobs for High Performance Computing [9.866286878494979]
多段階ジョブでは、各ジョブは複数のコフローで構成され、DAG(Directed Acyclic Graph)によって表現される。
本稿では,入力を処理する新しいパイプライン-DAGNNを提案し,新しいコフロースケジューリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-21T09:36:55Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳（メタデータ） (2021-05-01T10:18:34Z) - DeepSoCS: A Neural Scheduler for Heterogeneous System-on-Chip (SoC)
Resource Scheduling [0.0]
システム・オン・チップ(SoC)システムのための新しいスケジューリングソリューションを提案する。
我々のDeep Reinforcement Learning (DRL)ベースのスケジューリング(DeepSoCS)はルールベースのスケジューラの脆さを克服する。
論文 参考訳（メタデータ） (2020-05-15T17:31:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。