控制与决策

作者：赵旭,黄光球,江晋,李巾

单位：西安建筑科技大学 管理学院,西安 710055;西安工程大学 电子信息学院,西安 710048,,西安建筑科技大学 管理学院,西安 710055,,西安工程大学 人文学院,西安 710048,,陕西省社会科学院,西安 710061,

关键词：资源受限;任务调度;深度强化学习;深度循环神经网络;入侵检测;边缘计算

基金：国家自然科学基金项目(71874134)；西安市科技计划项目(21XJZZ0024)；陕西省教育厅专项项目(20JX014).

在节点性能有限的边缘计算环境下进行分布式入侵检测系统(distributed intrusion detection system,DIDS)的任务分配,是一种典型的资源受限任务调度问题.针对该问题,提出基于深度强化学习的DIDS低负载任务调度方案.该方案将任务调度过程描述为马尔科夫决策过程(Markov decision process,MDP)并建立模型的相关空间和价值函数,找到保持DIDS低负载状态的最优策略.针对状态和动作空间过大且高维连续的问题,提出通过深度循环神经网络进行函数拟合.实验表明,所提出方案可使DIDS在网络变化中动态调节调度策略,保持系统整体的低负载,而安全指标没有明显降低.

来源：2022年第11期

《控制与决策》期刊编辑部

查看控制与决策杂志2022年第11期