查看“WikiEdge:ArXiv-2408.17171v1/background”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17171v1/background|action=edit}} 编辑]</div>
这篇文献的背景主要集中在以下几个方面：
# '''[[边缘计算]]中的[[尾延迟]]优化问题'''：
#* [[边缘计算]]是一种[[分布式计算]]范式，通过将计算、存储和网络服务靠近用户或数据源的位置来提供，从而减少延迟和提高响应速度。这对于[[增强现实]]（[[AR]]）、[[虚拟现实]]（[[VR]]）和实时[[视频会议]]等延迟敏感型应用至关重要。
#* [[尾延迟]]，即超过90百分位阈值的延迟，是衡量服务性能的关键指标。在[[边缘计算]]环境中，由于[[无线网络]]的不确定性和服务器负载的波动，有效管理计算资源以优化[[尾延迟]]尤为关键。
# '''现有方法的局限性'''：
#* 尽管现有研究关注于优化中位数延迟，但往往忽视了[[尾延迟]]的挑战，尤其是在[[边缘环境]]中网络和计算条件的不确定性。
#* 一些尝试解决[[尾延迟]]的方法依赖于固定的或过度的冗余，缺乏对动态网络条件的适应性，通常设计用于[[云环境]]而非[[边缘计算]]的独特需求。
# '''计算冗余管理的必要性'''：
#* 通过在多个[[边缘服务器]]上复制服务来引入冗余是减少[[尾延迟]]的主要技术之一。然而，这种方法可能会增加[[边缘计算]]资源的使用，如网络带宽和成本。
#* 因此，如何确定在控制冗余的同时最小化[[尾延迟]]的服务放置策略变得复杂，需要一种新的框架来动态调整冗余，以有效管理网络和计算延迟，提高系统响应性。
综上所述，这篇文献的背景强调了在[[边缘计算]]环境中优化[[尾延迟]]的重要性，现有方法的不足，以及通过计算冗余管理来解决这一挑战的必要性。作者提出了[[SafeTail]]框架，旨在通过选择性地在多个[[边缘服务器]]上复制服务来满足目标延迟，同时通过基于奖励的[[深度学习]]框架学习最优放置策略，以平衡目标延迟的实现和额外资源使用的最小化。