本发明公开了一种基于轻量级学习的实时服务迁移方法,构建了一个面向动态边缘网络的服务协同迁移框架,并构建了一个双目标优化问题以便同时优化服务性能和成本。针对该问题,提出了一种基于全局状态的离线专家策略,以提供最优结果作为专家轨迹。为了实现基于可观测状态的实时服务协作迁移,本发明基于模仿学习提出了一个轻量级的在线智能体策略来模仿专家轨迹,并利用元更新来加速模型迁移。实验性能结果表明,与其他代表性算法相比,本发明提出的方案能够显著提升迁移性能的同时降低训练成本,在不同的工作负载下,在服务时延、支付成本等多个指标上都具有明显优势。
📄 2022109217600
📂 H04L67_51
👤 重庆邮电大学
📅 2022-08-02