一种算力网络中基于图神经网络的资源协同调度方法

1.一种算力网络中基于图神经网络的资源协同调度方法，其特征在于：包含基于图神经网络的资源协同调度应用场景，所述基于图神经网络的资源协同调度应用场景包含云-边-端协同计算网络环境以及智能体和网络节点通信与计算环境；

2.根据权利要求1所述的一种算力网络中基于图神经网络的资源协同调度方法，其特征在于：在步骤1中，建立的图结构框架中的节点代表网络中的各个实体，包含计算节点、服务器、终端设备，而边则表示这些实体之间的连接与交互关系算力。

3.根据权利要求1所述的一种算力网络中基于图神经网络的资源协同调度方法，其特征在于：在步骤2中，ddpg算法由两个核心部分组成：用于决策的actor网络和用于评估价值的critic网络；使用双重神经网络架构即当前网络和目标网络，即ddpg实际上引入了四个网络，用于做出决策和价值评估；actor网络和critic网络四种网络的具体分工如下所示：

4.根据权利要求1所述的一种算力网络中基于图神经网络的资源协同调度方法，其特征在于：在步骤3中，最优分配资源策略实现包括：通过gnn获取状态信息；智能体获得最优分配策略；智能体分配资源并持续监控系统状态信息。

5.根据权利要求1所述的一种算力网络中基于图神经网络的资源协同调度方法，其特征在于：在步骤3中，通过gnn获取状态信息，具体如下：网络环境本质上就具备图结构特性，其中节点代表网络中的各个实体，包含计算节点、服务器、终端设备，而边则表示这些实体之间的连接与交互关系；即网络拓扑可定义为，其中表示网络实体的集合，代表实体之间的关系；采用gnn中的消息传递神经网络框架对网络环境进行有效建模；mpnn的前向传播一般分为信息传递阶段和读取阶段两个阶段：

6.根据权利要求1所述的一种算力网络中基于图神经网络的资源协同调度方法，其特征在于：在步骤3中，智能体获得最优分配策略，具体如下：

7.根据权利要求1所述的一种算力网络中基于图神经网络的资源协同调度方法，其特征在于：在步骤4中，智能体在每个决策时刻，根据当前网络环境状态和服务请求的需求，通过ddpg算法得到最优资源分配方案的具体动作，为每个任务分配最合适的资源；接收到任务的计算节点将反馈资源的实际使用情况，接着利用mpnn根据接收到的反馈信息更新当前网络状态信息，智能体获得新的网络状态信息会及时调整资源分配方案，用于确保算力资源的有效利用和服务请求的高效处理，以适应网络资源的动态变化和服务请求的多样性。