数据中心网络coflow调度机制结构构建及仿真

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。