SLA-bewusstes Deep Reinforcement Learning für adaptive Edge-Cloud-Aufgabenplanung

Die hochdynamischen und hybriden Arbeitslasten, die in Edge-Cloud-Systemen ausgeführt werden, führen zu vielen verpassten Fristen, höherer Latenz und Energieverschwendung, da ein einzelner statischer Scheduler in der Regel nicht in der Lage ist, Service Level Agreements (SLAs) einzuhalten. Um die praktische Lücke zu schließen, wird ein Framework vorgeschlagen, das SLA-bewusstes Deep Reinforcement Learning (SLA-DRL) einsetzt, um Aufgaben unter Berücksichtigung der SLAs als vorrangiges Ziel zu planen und dabei weiterhin Latenz und Energie zu optimieren. Der vorgeschlagene Ansatz kategorisiert jede eingehende Aufgabe in eine geeignete Service Level Agreement (SLA)-Stufe – Gold, Silber oder Bronze – und berechnet einen auf Aufgabenebene basierenden SLA-Verletzungs-Risikowert (SVRS). Dieser Wert wird aus der Aufgabenfrist, den vorherrschenden Systemlastbedingungen und der jüngsten Historie von SLA-Verletzungen abgeleitet. Darüber hinaus hilft er dem Agenten, sich auf Aufgaben mit höherer Wahrscheinlichkeit einer SLA-Verletzung zu konzentrieren. Das vorgeschlagene leichte SLA-bewusste Aktionskürzungsmodul ist in der Lage, Platzierungsaktionen, die eindeutig unsicher sind, zu kürzen und erfordert darüber hinaus keine Auswertung durch das Politiknetzwerk, wodurch das Lernen stabilisiert und die Konvergenzgeschwindigkeit erhöht wird. Zur Validierung wurde eine trace-getriebene Simulation eines heterogenen Edge-Cloud-Clusters entworfen und das vorgeschlagene SLA-DRL gegen bestehende Scheduler (FIFO, Round Robin, Earliest Deadline First) sowie eine nicht-SLA-DRL-Version evaluiert. Die Ergebnisse zeigen, dass der vorgeschlagene Ansatz SLA-Verletzungen um 41,6 %, die durchschnittliche Latenz um 32,1 % und den Energieverbrauch um 28,5 % im Vergleich zum besten Referenzwert reduziert, mit ähnlichen Verbesserungen in allen Experimenten mit unterschiedlichen Arbeitslastmischungen und Prioritätsstufen. Dies zeigt, dass die explizite Verwendung von SLA-Informationen im DRL-Zustand, -Belohnung und -Aktionsraum einen robusteren und adaptiven Scheduler schaffen kann, der besser zu kommenden Edge-Cloud-Anwendungen passt.