实验室论文被IEEE Transactions on Computers录用
实验室与上海电机学院王小刚副教授、澳大利亚墨尔本大学Rajkumar Buyya教授合作的论文“Adaptive Cloud Bundle Provisioning and Multi-Workflow Scheduling via Coalition Reinforcement Learning”的学术研究论文被IEEE Transactions on Computers录用。王小刚博士就读于本实验室。
现代人工智能中的图像深度学习分类、大规模生物信息处理以及互联网购物和媒体交互等应用系统常被部署在数据中心云端进行计算，以充分利用云端的大规模计算和存储能力，节省应用系统的运行成本。然而，此类系统往往包含大量复杂业务流程的任务流，而且大量用户发起业务请求后，对云端虚拟机(VM)计算资源的自动配置和供应带来极大挑战。现有方法大多集中在单一类型VM的资源供应上，很少考虑多类型VM实例同时供应，导致云端对复杂工作流任务的VM实例供应不均衡，从而使系统执行性能下降，云计算资源使用成本也随之增大。为此，王小刚老师提出了一种自适应的云包实例供应和多工作流调度模型，用于在多类型VM实例上动态地执行复杂工作流的水平和垂直云资源自动缩放。在模型中，首先提出了深度优先搜索联盟强化学习(DFSCRL)的云资源供应策略，该策略将物理机(PM)联盟的形成与Q-learning算法相结合；然后从PM联盟中动态生成一个最优的多类型VM实例包，最终提供这些实例给多个工作流并发执行。理论和实验证明在多类型VM实例供应场景中，所提方法提高了云端复杂应用系统的运行性能，同时较大地降低了云计算资源的总体租赁成本。