排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
2.
重新构建得到了一种coflow调度算法-DeepCS,将coflow资源视图看成是需要进行后续处理的图像,根据之前学习策略来达到coflow的最佳调度效果。利用DNN提取特征参数时不必通过人为手动的方法进行设计,通过单独学习过程便可实现,给出深度增强学习系统。训练输入包含了各项网络与任务情景,并以动作概率分布作为输出,EPiSOdE作为单位开展训练过程。仿真结果得到:当coflow到达速率变大后,将会导致所有算法需要更长的coflow完成时间,此时调度算法流时间与的工作压力都会增加,从而形成更长的coflow平均完成时间;在较低的coflow到达速率下,VARYS和DeepCS具有相似的性能,都比PFABRiC的性能更好,并且DeepCS性能提升最快。 相似文献
1