EdgeTimer: Adaptive Multi-Timescale Scheduling in Mobile Edge Computing with Deep Reinforcement Learning（作者：Yijun Hao, Shusen Yang*, Fang Li, Yifan Zhang, Shibo Wang and Xuebin Ren）。该工作在移动边缘计算场景提出了一种多层异构调度框架EdgeTimer，该算法框架能够自适应地调整不同层调度决策的时间粒度，以在保障服务时延要求的前提下降低运营商的操作成本。在提出的EdgeTimer框架中，每个边缘服务器能够独立的决定是否要对当前的边云，边边及边内调度决策进行更新。通过将EdgeTimer应用于各种Kubernetes调度规则，并使用具有不同负载模式的数据对其进行评估。结果表明，EdgeTimer可以在不牺牲延迟性能的情况下显著降低运营商的操作成本。

图1 EdgeTimer的算法流程图