近日，我院熊文副教授团队在云计算领域知名期刊《IEEE Transactions on Cloud Computing》发表题为“STAR-Scheduler: Spatio-Temporal-Aware Scheduler for Streaming Tasks of Large-Scale Moving Objects Based on Multi-Agent Reinforcement Learning”的研究论文。

IEEE Transactions on Cloud Computing是IEEE Computer Society旗下云计算领域重要学术期刊，也是中国计算机学会（CCF）推荐的B类国际期刊。期刊主要刊载云计算理论、算法、系统、应用与性能分析等方面的创新研究，重点涉及云资源管理与优化、云端大数据处理、软件定义系统、云安全与隐私、数据中心网络及云计算性能与可靠性等方向。

随着自动驾驶、智慧交通和低空经济等新兴应用快速发展，大规模移动物体的实时管理面临日益突出的计算挑战。数以万计的车辆、无人机等移动对象持续产生GPS轨迹数据，并通过移动网络实时传输至云计算平台。为支持移动物体轨迹聚类、同步移动模式挖掘、空间连接、轨迹异常检测等计算密集型分析任务，需要借助分布式流计算平台进行持续处理，由此对云计算资源分配和实时任务调度提出了更高要求。

论文针对上述问题，围绕大规模移动物体时空流场景下的动态资源分配与任务调度开展研究，提出了基于时空感知多智能体强化学习的调度方法STAR-Scheduler。该方法综合考虑分区负载偏移、空间局部性和任务切换成本等因素，通过两阶段聚类机制缓解调度初期的冷启动问题，并利用增量聚类降低任务重新分配带来的切换开销；进一步设计竞争感知的移动对象簇判定树，构建结构化调度策略空间，并引入空间分布预测机制指导多智能体强化学习决策，实现复杂时空流环境下“决策—执行—反馈—优化”的闭环式自适应调度。图1描述了解决方案中多智能体强化学习各模块及交互过程。

实验结果表明，STAR-Scheduler 在大规模真实城市交通数据集上的综合性能优于多种代表性调度方法，在调度效率、任务分配质量及资源利用等方面表现出良好的综合性能。该研究为大规模移动物体时空流计算任务的实时调度提供了新的技术方法，也为云计算环境下计算资源的高效利用和动态任务管理提供了有益支撑。

论文第一作者为我院硕士研究生段飒飒，通讯作者为熊文副教授。该论文得到国家自然科学基金项目和云南省“兴滇英才支持计划”青年人才专项等项目支持。

论文链接：https://doi.org/10.1109/TCC.2026.3734508