基于深度强化学习的多数据中心一体化调度优化

• 全文链接
• 请求原文

作   者：

方和平;  刘曙光;  冉泳屹;  钟坤华; 

作者机构：

中国科学院重庆绿色智能技术研究院;  重庆邮电大学通信与信息工程学院; 

关键词：

温度感知;  深度强化学习;  任务调度;  多数据中心;  电源使用效率; 

期刊名称：

计算机应用

i s s n：

1001-9081

年卷期：

2023 年 06 期

页   码：

1884-1892

摘   要：

多数据中心任务调度策略的目的是把计算任务分配到各个数据中心的不同服务器上，以促进资源利用率和能效的提升，为此提出了基于深度强化学习的多数据中心一体化调度策略。所提策略分为数据中心选择和数据中心内部任务分配两个阶段。在多数据中心选择阶段，整合算力资源以提高总体资源利用率，首先采用具有优先经验回放的深度Q网络（PER-DQN）在以数据中心为节点的网络中获取到达各个数据中心的通信路径；然后计算资源使用成本和网络通信成本，并依据这两个成本之和最小的原则选择最优的数据中心。在数据中心内部任务分配阶段，首先在所选数据中心内部，划分计算任务并遵循先到先服务（FCFS）原则将任务添加到调度队列中；然后结合计算设备状态和环境温度，采用基于双深度Q网络（Double DQN）的任务分配算法获得最优分配策略，以选择服务器执行计算任务，避免热点的产生，并降低制冷设备的能耗。实验结果表明，基于PER-DQN的数据中心选择算法相较于计算资源优先（CRF）、最短路径优先（SPF）路径选择方法的平均总成本分别下降了3.6%、10.0%；基于Double DQN的任务部署算法相较于较轮询调度（RR）、贪心调度（Greedy）算法的平均电源使用效率（PUE）分别下降了2.5%、1.7%。可见，所提策略能够有效降低总成本和数据中心能耗，实现多数据中心的高效运行。