FedTaskRL: Uma Estrutura Baseada em Aprendizado por Reforço para Agendamento Eficiente de Tarefas em Ambientes Federados de Computação em Nuvem

O surgimento da computação federada em nuvem de borda trouxe desafios no agendamento de tarefas dinâmicas, que requerem a consideração conjunta de eficiência energética, latência, satisfação de SLA e migração de recursos. Abordagens primitivas, como agendamento baseado em regras e heurísticas, podem ser rígidas e incapazes de lidar com o comportamento volátil e diverso dos sistemas distribuídos contemporâneos. Embora métodos recentes de aprendizado profundo por reforço (DRL) tenham alcançado desempenho favorável, a maioria dos métodos existentes apresenta problemas como especificação rígida de recompensas e falta de suporte para otimização multiobjetivo e escalabilidade/privacidade federada. Para preencher essas lacunas, propomos o FedTaskRL neste artigo, uma nova estrutura federada de agendamento DT baseada em DRL para um ecossistema de nuvem de borda. O modelo proposto utiliza um algoritmo neural de aprendizado Q com uma representação de estado aumentada e uma função de recompensa multiobjetivo bruta. Esse design permite ao modelo aprender adaptativamente políticas de agendamento personalizadas para reduzir o consumo de energia, diminuir o tempo de resposta, cumprir o SLA e economizar o custo de migração ao longo do tempo para o aprendizado federado, considerando a localidade dos dados desses clientes. Realizamos experimentos extensivos em um cenário simulado federado e mostramos que o FedTaskRL supera métodos de ponta, incluindo DRL TS, A3C Scheduler, DRLIS, EdgeTimer e MA DRL. A estrutura projetada apresenta uso de energia de 28 kWh, tempo médio de resposta de 145 ms, 97,5% de cumprimento do SLA e um custo menor de 4,8 para migração. Esses resultados também confirmam a eficácia e eficiência do FedTaskRL no gerenciamento de cargas de trabalho na nuvem em tempo real. Em resumo, o FedTaskRL oferece uma solução escalável, adaptativa e que respeita a privacidade para agendamento inteligente de tarefas, resultando em desempenho e praticidade significativamente aprimorados na gestão de recursos federados de nuvem de borda.