基于强化学习的边缘服务器动态电压频率调整(DVFS)与热管理协同设计.docxVIP

PAGE2

基于强化学习的边缘服务器动态电压频率调整(DVFS)与热管理协同设计

摘要

随着物联网与5G技术的迅猛发展，边缘计算在实时数据处理中扮演着关键角色。然而，边缘服务器受限于体积与供电条件，高负载下的功耗攀升与热积累易触发频率节流，导致服务质量下降，传统分离式DVFS与热管理策略难以协同优化能效与性能。本文针对这一痛点，提出一种基于强化学习的DVFS与热管理协同设计方法。首先构建了边缘服务器功耗-温度耦合模型，将计算负载、芯片频率、温度演变纳入统一数学框架；其次设计了基于深度Q网络（DQN）的DVFS控制算法，将任务调度与热管理建模为马尔可夫决策过程，以功耗和温度加权惩罚为奖励信号，实现多目标动态优化。论文按照“需求分析→总体设计→详细设计→实现→测试”的工程递进逻辑展开：在需求分析中明确了系统延迟、功耗限制与温度约束；在总体设计中划分了模型层、算法层与执行层；在详细设计中给出了功耗-温度模型公式与DQN算法伪代码；在实现中展示了仿真环境搭建与训练流程；在测试中验证了该算法在典型负载场景下，相比传统开关式热管理可降低最高温度8.3%，同时减少功耗5.1%。核心创新点在于将强化学习应用于边缘服务器DVFS与热管理的联合决策，实现了从经验驱动到数据驱动的策略优化，为资源受限边缘设备的能效管理提供了新的设计范式。

第一章绪论

1.1研究背景

边缘计算通过将计算资源下沉至