针对物联网(Internet of Things,IoT)终端的移动性和服务请求的随机性所导致的IoT网络的动态变化,在物联网边缘计算网络(IoT-mobile edge computing,IoT-MEC)中对物联网服务功能链请求流(IoT-service function chain request,IoT-SFCR)...
详细信息
针对物联网(Internet of Things,IoT)终端的移动性和服务请求的随机性所导致的IoT网络的动态变化,在物联网边缘计算网络(IoT-mobile edge computing,IoT-MEC)中对物联网服务功能链请求流(IoT-service function chain request,IoT-SFCR)进行动态SFC部署是一个具有挑战性的问题。首先将IoT-MEC网络中的动态SFC部署问题分解为两个子问题,即虚拟网络功能(virtual network function,VNF)部署子问题和路由路径确定子问题。然后利用马尔可夫决策过程(Markov decision process,MDP)对其进行建模。为了使IoT-SFCRs的资源消耗成本和端到端时延的加权和最小,并考虑网络的负载均衡,接着提出了一种采用目标网络和经验重放方法的深度强化学习(deep reinforcement learning,DRL)算法,对每个到达的IoT-SFCR实现动态SFC部署。仿真结果表明,在三种典型网络类型下,与现有算法相比,该算法的SFC部署成功率提高了17%,平均奖励提高了23.8%,高效地解决了IoT-MEC网络中SFC的动态部署问题。
面向开源项目推荐开发人员对开源生态建设具有重要意义。区别于传统软件开发,开源领域的开发者、项目、组织及相互关系体现了开放式协作项目的特点,而它们蕴含的语义有助于精准推荐开源项目的开发者。因此,提出一种基于协作贡献网络(CCN)的开发者推荐(DRCCN)方法。首先,利用开源软件(OSS)开发者、OSS项目、OSS组织之间的贡献关系构建CCN;其次,基于CCN构建一个3层深度的异构GraphSAGE(Graph SAmple and aggreGatE)图神经网络(GNN)模型,预测开发者节点和开源项目节点之间的链接,从而产生相应的嵌入对;最后,根据预测结果,采用K最近邻(KNN)算法完成开发者推荐。在GitHub数据集上训练和测试模型的实验结果表明,相较于序列推荐的对比学习模型CL4SRec(Contrastive Learning for Sequential Recommendation),DRCCN在精确率、召回率和F1值这3个指标上分别提升了约10.7%、2.6%和4.2%。因此,所提模型可以为开源社区项目的开发者推荐提供重要的参考依据。
暂无评论