跨连续体的智能自适应计算：物联网-边缘-云资源管理中的大语言模型
Smart Adaptive Computing Across the Continuum: LLMs in IoT-Edge-Cloud Resource Management
浏览论文内容
中文总结 AI 辅助
本文扩展了DRL编排系统分类法，加入AI增强范式与反馈通道两维度，发现六系统中无结合完整LLM编排与智能体反馈者，并指出缺失跨层反馈抽象是核心问题。
中文摘要 AI 辅助
在物联网、边缘和云层之间管理资源，需要在很少保持固定的约束下做出持续、上下文感知的决策。深度强化学习（DRL）能很好地处理这类问题，而大语言模型（LLMs）越来越多地被用于增强DRL流程，但两者之间的架构关系很少被明确说明。我们基于Wang等人关于采用DRL技术的连续体编排系统的分类法，并进一步扩展了两个维度。AI增强范式衡量了LLMs如何被利用，而反馈通道则捕捉执行反馈是否以及通过哪个系统路径返回给LLM，以在LLM编排层闭合MAPE控制循环。我们将此分类法应用于六个最新的系统架构，并发现了一个共同的缺口，因为没有一个系统在云连续体环境中将完整的LLM编排与完整的智能体层反馈相结合。我们将这一缺口与缺失的跨层反馈抽象联系起来，该抽象弥合了不可通约的各层信号与LLM编排器之间的鸿沟。
英文摘要
Managing resources across IoT, edge, and cloud layers calls for continuous, context-aware decisions under constraints that rarely stay fixed. Deep reinforcement learning (DRL) handles this class of problems well, and large language models (LLMs) are increasingly used to augment DRL pipelines, yet the architectural relationship between the two is seldom made explicit. We build on Wang et al.'s taxonomy of Continuum Orchestration Systems employing DRL techniques and extend it with two further dimensions. The AI Augmentation Paradigm measures how LLMs are exploited, while the Feedback channel captures whether and through which system path the execution feedback returns to the LLM in order to close the MAPE control loop at the LLM Orchestration layer. We apply this taxonomy to six recent system architectures and find a common gap, as none combines full LLM orchestration with full agent-layer feedback in a Cloud Continuum setting. We relate this gap to a missing cross-tier feedback abstraction, bridging the incommensurable per-tier signals and the LLM Orchestrator.
发表机构
- University of Pisa（比萨大学）
- LUISS University（路易斯大学）
机构由 AI 辅助整理，请以论文原文为准。
