计算机应用

作者：卫琳, 张世豪, 和孟佯

单位：1.郑州大学 网络空间安全学院，郑州 450002；2.嵩山实验室，郑州 450040

关键词：算力网络,动态任务卸载,深度强化学习,能耗优化,任务卸载

基金：嵩山实验室资助项目(232102210154);嵩山实验室预研项目(YYJC022022001);嵩山实验室重点研发项目(241110210200)

在算力网络（CPN）中，用户设备（UE）因计算能力和电源容量受限，需要依赖外部算力节点协同处理任务。现有研究多集中于直接卸载工作流任务（WT）上，而面临着以下关键挑战：1）任务依赖导致的长等待时延和高能耗问题；2）当前驱任务数据需在UE上缓存时，UE长时间处于高功耗状态；3）CPN动态环境下资源状态的不确定性增加了卸载决策的复杂性；4）任务完成时间与能耗之间的多目标冲突，导致难以实现高效平衡。针对这些问题，提出一种基于动态任务优化与卸载（DOOWT）的节能优化方法。该算法通过工作流结构优化（WSO）算法对任务图进行重排，以减少任务间的等待时延，从而降低整体能耗；结合基于深度确定性策略梯度（DDPG）的动态任务卸载（DBTO）算法实时调整卸载策略，从而有效提升CPN的计算性能和资源利用效率。实验结果表明，与随机卸载（Random）传统方法相比，所提方法的WT等待时延减少了60%，平均WT完成时延缩短了79%，整体能耗降低了82%。可见，该方法为能耗敏感型任务的优化与调度提供了理论支持与技术参考。

来源：2025年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第12期