强化学习在虚拟机资源调度中的应用

非统一内存访问(NUMA,Non-Uniform Memory Access)体系结构因其可扩展性而被广泛应用于虚拟化和云计算中。在NUMA系统中,以前的工作主要关注如何通过调度来减少远端内存访问以优化系统性能。然而,共享资源的竞争也是影响虚拟化NUMA系统性能的重要因素之一。针对NUMA架构下由于虚拟机放置而产生的共享资源竞争问题,建立了初始虚拟机放置模型,针对该模型提出了一种基于强化学习的算法Post来求解。实验结果表明,该算法能够有效地降低执行时间,在准确率上优于传统的基于策略优化算法,可以达到提升系统性能的目的。

NOMA下行信道总速率最大化算法研究

非正交多址接入(Non-Orthogonal Multiple Access,NOMA)技术是第五代移动通信的关键技术,通过采用叠加编码技术在很大程度上提高了信道的频谱效率。但是,在同一信道上叠加所有用户会造成较大的解码时延与错误传播。研究NOMA下行信道的用户选择问题,将基站的发射功率和单个信道叠加的用户数量作为约束条件,提出了基于贪婪策略的用户选择算法,该算法能够在多项式时间内求得问题的近似最优解。进一步提出了一种基于分支限界的用户选择算法,以贪婪解为下界,局部最优解为上界,可以达到最优系统总速率。仿真结果表明,提出的基于分支限界的用户选择算法与传统算法相比可以得到NOMA下行信道最大总速率,并且有效降低了用户选择的时间复杂度。