LLM在IoT-边缘-云连续体资源管理中的自适应计算
原标题：Smart Adaptive Computing Across the Continuum: LLMs in IoT-Edge-Cloud Resource Management
AI 摘要
该论文针对IoT-边缘-云连续体中的资源管理问题，指出现有深度强化学习（DRL）虽擅长快速自适应控制，但难以处理自然语言意图、合规规则等高层约束，而LLM可充当其上的可解释编排层。作者在Wang等人的DRL连续体编排分类法基础上新增两个维度：AI增强范式（LLM0-2，衡量LLM如何被使用）和反馈通道（F，衡量执行反馈是否及如何返回LLM以闭合MAPE控制环）。将扩展分类法应用于六种近期系统架构后发现，没有一种系统在云连续体场景中同时实现完整的LLM编排与完整的代理层反馈，作者将此归因于缺少跨层反馈抽象。
正文节选
Smart Adaptive Computing Across the Continuum: LLMs in IoT-Edge-Cloud Resource Management Abstract 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 taxon