Resumen

Con más negocios funcionando en línea, la escala de los centros de datos está aumentando drásticamente. La operación de programación de tareas con algoritmos heurísticos tradicionales se enfrenta a los desafíos de la incertidumbre y complejidad del entorno del centro de datos. Es urgente utilizar nueva tecnología para optimizar la programación de tareas y garantizar la ejecución eficiente de las mismas. Este estudio tuvo como objetivo construir un nuevo modelo de programación con un algoritmo de aprendizaje profundo por refuerzo, que integrara la programación de tareas con la optimización de la utilización de recursos. El modelo de programación propuesto fue entrenado, probado y comparado con algoritmos de programación clásicos en conjuntos de datos reales de centros de datos en experimentos para mostrar la efectividad y eficiencia. El informe del experimento mostró que el algoritmo propuesto funcionó mejor que los algoritmos clásicos comparados en las métricas clave de rendimiento: tiempo promedio de retraso de tareas, distribución de t

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Centros de datos; Programación de tareas; Algoritmo de aprendizaje profundo por refuerzo; Optimización de la utilización de recursos; Algoritmos clásicos; Métricas de rendimiento
• Keywords:Data centers; Task scheduling; Deep reinforcement learning algorithm; Resource-utilization optimization; Classical algorithms; Performance metrics