近日，徐东红副教授团队在软件工程、服务计算领域的国际顶级期刊IEEE Transactions on Services Computing (TSC)发表题为“Structure-Aware Serverless Orchestration via Graph Reinforcement Learning: Joint Optimization of Function Fusion and Placement”的学术论文。该研究针对无服务器计算中，由函数融合与放置决策强耦合引发的通信开销与冷启动延迟难题，提出了名为GRL-Orch的图强化学习编排框架。该框架旨在异构边缘-云环境中，优化由有向无环图（DAG）表示的复杂工作流的端到端延迟与资源成本。
GRL-Orch架构
GRL-Orch的核心创新在于其结构感知能力。它采用图强化学习作为编码器，将工作流的DAG拓扑、数据依赖强度及函数资源特征直接编码为高维嵌入，使模型能够捕捉关键路径、扇入/扇出等全局结构信息，克服了传统方法将状态扁平化而忽略拓扑结构的局限。在决策层面，框架设计了一种分解的联合策略，将NP-hard的联合优化问题分解为串行的融合与放置两个子策略。融合头基于边嵌入决定是否合并函数以减少通信，而放置头则为生成的融合组选择最优物理节点。为确保方案可行性，GRL-Orch引入了融合修复与放置掩码机制，在决策过程中主动规避超出节点内存容量的无效动作，将硬约束融入策略网络，显著提升了学习效率。整个框架使用近端策略优化（PPO）算法进行训练，以延迟和成本的加权和作为奖励函数。
实验部分，研究在基于Azure Functions 2019真实轨迹的模拟器上进行了大规模评估。结果显示，GRL-Orch在100个预留工作流上的平均目标值为1.147，优于最强的Critical-Path-Fusion基线（1.184），并在包含500个工作流的扩展审计及冷启动、带宽压力等压力测试中保持了优势。此外，通过在Apache OpenWhisk平台上的实际部署回放，验证了其模拟器中的策略排序趋势在真实环境中具有高度一致性，证明了该框架的有效性与实用性。
IEEE Transactions on Services Computing是服务计算与软件工程领域的权威旗舰期刊，同时也是中国计算机学会（CCF）推荐的A类期刊，代表着该领域最高的学术水平与国际影响力。该刊长期致力于发表面向服务架构、云边端协同计算、智能系统优化等方向的前沿研究成果，对稿件的创新性、理论深度和实验严谨性均有极高要求。此次论文的成功发表，标志着徐东红老师团队在应用人工智能优化云边端系统方面取得了新的突破，充分展现了团队在智能编排与资源调度领域的深厚积累和持续创新能力，也为后续相关研究奠定了坚实基础。
