Abstract
<jats:p>随着移动和物联网（IoT）场景中多模态大型模型和复杂人工智能（AI）服务的迫切部署，许多实时推理任务被卸载到边缘，服务链功能（SFC），这对延迟延迟和负载均衡提出了严格的要求。然而，在地理分布广泛、资源匮乏且状态高维、时变的边缘环境中，此类SFC的动态服务路由仍然面临挑战。为了解决这一问题，我们提出了GMSFC，一个专门针对基于图的多模态服务功能链建模的框架。为了优化该环境中的路由决策，我们开发了PGR，一种基于渐进式图强化学习的新算法。所提出的框架将边缘基础架构建模为静态和动态特征的图，将路由问题建模为马尔可夫决策过程（MDP），并采用基于图同构网络（GIN）的Actor-Critic架构，以及集成了编程学习、离线强化训练学习和在线压力的渐进式近端策略优化（PPO）流程。在各种流量强度下，利用OpenCellID 构建真实拓扑结构进行仿真表明，与多种方法速度相比，该算法可将延迟延迟降低约18 %-26 %，将负载负载降低56 %-63 %，并显着加快收敛。</jats:p>
Show More
Keywords
随着移动和物联网iot场景中多模态大型模型和复杂人工智能ai服务的迫切部署许多实时推理任务被卸载到边缘服务链功能sfc这对延迟延迟和负载均衡提出了严格的要求然而在地理分布广泛资源匮乏且状态高维时变的边缘环境中此类sfc的动态服务路由仍然面临挑战为了解决这一问题我们提出了gmsfc一个专门针对基于图的多模态服务功能链建模的框架为了优化该环境中的路由决策我们开发了pgr一种基于渐进式图强化学习的新算法所提出的框架将边缘基础架构建模为静态和动态特征的图将路由问题建模为马尔可夫决策过程mdp并采用基于图同构网络gin的actorcritic架构以及集成了编程学习离线强化训练学习和在线压力的渐进式近端策略优化ppo流程在各种流量强度下利用opencellid
构建真实拓扑结构进行仿真表明与多种方法速度相比该算法可将延迟延迟降低约18
将负载负载降低56
并显着加快收敛