DRL 云-边-端异构资源调度框架

面向赛题 #16《基于深度强化学习的云-边-端异构计算资源管理调度方法》 的完整开源实现：一套可训练、可插拔、可复现的 DAG 调度框架，把「专家启发式 + Transformer 课程强化学习候选 + 仿真择优安全选择」统一到同一个 Policy 接口与同一个 makespan 仿真器下公平比较，并附带蒸馏快速策略、Conformal 校准、因果在线重调度，以及在三大国产操作系统上的逐位可复现证据链。

一句话结果：主方法 safe[rlk_10+peft+heft_insertion] 在三个独立划分上全面优于 HEFT 基线（mean_ratio val 0.9322 / test 0.9427 / OOD 0.9404，HEFT=1.0，越低越好），且经 5 个随机种子复跑确认（std ≤ 0.0041），并在 openEuler / openKylin / OpenCloudOS 上逐位复现。

为什么值得看（亮点）

🏗️ 候选生成与安全选择解耦的混合框架：SafeSelector 对候选池（7 种启发式 + RL 多样本 rlk_K）逐一真实仿真取 makespan 最小者——框架输出可证明不差于池内最强单候选，RL 候选即使不完美也能带来净收益。
🤖 Transformer + 四阶段课程 PPO：DAG 边偏置 self-attention + 节点 cross-attention + 上下文感知解码器；让 RL 候选首次给安全选择器带来净收益（CEED-100 上 rlk_5 1.0009，旧 GNN 为 1.0893，−0.088）。
⚡ 蒸馏 Top-K 工程策略：50 维结构特征预测候选排序，只真实运行最有希望的 K 个；**~24 ms** 逼近仿真择优上界，OOD 上反超含 RL 的完整方法（0.9373 vs 0.9404）。
📐 Conformal 覆盖校准 + OOD 检测：分布内对候选集合做 split conformal 校准（coverage ≈ 0.90），分布外用 KS 检验识别偏移并主动保守回退。
🔄 因果在线重调度（诚实口径）：事件驱动在线仿真（节点失效/恢复、速度/带宽波动、工作负载揭示）；正式评测不读取未来事件，预知结果只作为 Oracle 上界单独标注。
🇨🇳 三大国产 OS 逐位可复现 + 可审计证据链：同一份代码 + 数据，在 openEuler / openKylin / OpenCloudOS 原生软件源部署，1440 个 makespan（800 + 640）跨系统逐位一致，每个系统附完整安装/执行/包来源证据。
📊 统计严谨：主方法 5 个随机种子复跑、逐实例比值均值 + win_rate + 配对 t-test，单 checkpoint 的偶然性已闭环排除。
🖥️ 开箱即用的前端：Flask + ECharts 9 个页面，含可当场审计的「因果在线演示台」与「OS 兼容覆盖矩阵」（按证据文件存在性实时计算，删一个证据文件对应单元格立即变灰）。

问题定义

给定任务有向无环图 G=(V,E) 与云、边、端异构计算资源：

任务 i ∈ V 携带计算量 w_i；依赖边 (i→j) ∈ E 携带数据量 d_ij，仅当两任务被分到不同节点时产生通信开销。
节点 n 具有异构计算速度 speed_n，节点间为带宽矩阵 B；单处理机串行执行模型。
调度器需在满足依赖与合法动作约束下，为每个就绪任务选择执行节点，最小化整体完成时间（makespan）。

主指标（全文统一口径）：

mean_ratio = mean_over_scenarios( policy_makespan / HEFT_makespan )

mean_ratio 越低越好，**< 1 表示平均优于 HEFT**，HEFT 恒等于 1.0。

MDP 建模（状态 / 联合动作 a = task·N + node / ready-task action mask / 归一化稀疏奖励 r = 1 − makespan/HEFT_makespan）与代码一一对应，详见系统设计与创新点 §8.1。

核心结果

全部数字来自本仓库 results/ 下的真实评测产物，非手填。HEFT=1.0，越低越好。

1. 主方法三划分（代表 checkpoint，seed=42）

方法 = safe[rlk_10+peft+heft_insertion]（RL 多样本 + 启发式候选，仿真择优）。

划分	场景数	mean_ratio	win_rate	相对 HEFT
val	200	0.9322	0.795	−6.8%
test	200	0.9427	0.765	−5.7%
OOD（40 任务）	100	0.9404	0.850	−6.0%

三个划分均严格优于任一单候选（如 rlk_10 单列 0.9436 / 0.9609 / 0.9834），验证「安全选择带来净收益」。

2. 五随机种子统计（消除单 checkpoint 偶然性）

主方法用 5 个 Transformer 种子（42–46，同配置仅改 seed）复跑五个划分，mean ± std：

划分	safe[rlk_10+peft+heft_ins]	rlk_10	rlk_5
val	0.9380 ± 0.0041	0.9648 ± 0.0179	0.9725 ± 0.0183
test	0.9467 ± 0.0037	0.9752 ± 0.0178	0.9836 ± 0.0195
OOD	0.9398 ± 0.0023	0.9842 ± 0.0153	0.9933 ± 0.0190
CEED-100 v2 public	0.9629 ± 0.0012	1.0774 ± 0.0139	1.0886 ± 0.0126
CEED-100 v2 hidden_val	0.9738 ± 0.0019	—	—

主方法 std 全部 ≤ 0.0041，远小于单 RL 候选的 ~0.018；配对 t-test 表明 seed42 非「幸运种子」。注意 v2 上单 RL 候选 rlk_* > 1.0（RL 在通信主导 regime 泛化有限），但安全选择靠启发式候选兜底仍稳超 HEFT——这正是混合框架的价值所在。证据：results/core_evidence/multiseed_stats.md（5 seed × 5 split = 25 个逐场景目录）。

3. 质量–时延 Pareto（val 划分，同机同口径独立计时）

策略	mean_ratio	win_rate	推理 ms/场景	Pareto 前沿
`safe[rlk_10+peft+heft_insertion]`	0.9322	0.795	1567.6	✓
`rlk_10`	0.9436	0.735	1544.6	✓
`safe[纯启发式 6 候选]`	0.9453	0.720	37.7	✓
蒸馏 Top-K=3	0.9476	—	~24	✓
`heft_insertion`	0.9712	0.390	3.2	✓
`peft`	0.9747	0.470	4.3	✓
`heft`（基线）	1.0000	0.000	3.7	✓

提供从「极致质量」到「极致时延」的完整可调谱系：蒸馏 Top-K 以约 1/65 的推理时延逼近仿真择优上界。证据：results/core_evidence/pareto/pareto.md。

4. 蒸馏 Top-K 工程策略（无 torch 依赖，sklearn pickle）

划分	mean_ratio	说明
val	0.9476	距 oracle 择优上界 0.9453 仅 0.0023
test	0.9557	—
OOD	0.9373	win 0.840，反超含 RL 的 `safe[rlk_10+…]`（0.9404）

5. Conformal 覆盖校准与 OOD 检测

划分	coverage	avg_K	regret	加速
val	0.895	3.3	+0.0013	1.14×
test	0.905	3.4	+0.0023	1.16×
OOD	0.77	—	0.0078	—

OOD 的 coverage 0.77 是 KS 检测信号（p≈0，识别到分布偏移）而非缺陷——触发后全局回退保守启发式。证据：results/p3/conformal_gate_v2_*.md。

6. 因果在线重调度（val 200 场景）

方法	mean_ratio	口径
SafeOnlineSelector（因果在线）	1.3470	主表数字，不读取未来事件
Oracle 上界（预知未来事件）	1.1207	仅作上界，不进主表

因果–预知 gap = 0.226，经诊断为信息差距（oracle 提前避障），非触发时机问题；重调度触发器实验为诚实阴性。证据：results/online/online_val_causal/。

7. 国产 OS 逐位可复现

层	内容	覆盖系统	指纹
L1 轻量核心	8 策略 × CEED-100 v1（100 场景）= 800 makespan	openEuler / openKylin / OpenCloudOS	`b411f07f…7280`
L2 v2 场景	8 策略 × CEED-100 v2（80 场景）= 640 makespan	openEuler / openKylin / OpenCloudOS	`96730abc…65ad`
L3 完整 DRL	torch + Transformer 三 split + 全量 pytest + Flask	openEuler	与主链路 4 位小数一致

轻量核心仅依赖 numpy + 标准库，全部走各发行版原生软件源（dnf / apt），无第三方源、无编译。
跨三套不同 numpy 版本（1.24.2 / 1.24.3 / 1.25.2）结果逐位一致，峰值内存 35–43 MB，容器冷启动 246–328 ms。
openEuler 完整链路：torch 2.13.0+cpu，全量 53 项测试通过，Transformer 固定 ckpt 三 split 与开发机逐位一致。
证据：results/os_compat/evidence/（每系统含 build.log / packages_native.txt / evidence.json 等可审计文件）。

六大创新点

#	创新点	一句话主张	关键数字	证据位置
1	混合调度框架	候选生成与安全选择分离，稳超任一单候选	val/test/OOD 0.9322 / 0.9427 / 0.9404	`results/benchmark/transformer_*`
2	Transformer + 课程 RL	RL 候选首次给安全选择器带来净收益	CEED `rlk_5` 1.0009（旧 GNN 1.0893）	`results/ceed100/transformer_run1/`
3	蒸馏 Top-K 工程化	~24 ms 逼近上界，OOD 反超含 RL 版	K=3：OOD 0.9373	`results/benchmark/distill_topk_*`
4	Conformal + OOD 检测	ID 覆盖校准，OOD 用 KS 检测并保守回退	coverage ≈0.90；OOD regret 0.0078	`results/p3/conformal_gate_v2_*`
5	因果在线调度	因果在线仍最优；预知数字只作上界	causal 1.3470 vs oracle 1.1207	`results/online/online_val_causal/`
6	国产 OS 可复现 + 证据链	三大国产 OS 装得上、跑得通、算得逐位一致	800+640 makespan 指纹匹配	`results/os_compat/`

每个创新点的「方法 / 数字 / 答辩口径 / 对答预案」详见 docs/INNOVATION.md。

系统架构

src/sched/
  env/          DAG、异构资源、静态与在线仿真器（唯一 makespan 真值 compute_makespan）
  scenarios/    场景生成、加载与数据划分（固定种子区间，零重叠）
  policies/     统一 Policy 接口 + 启发式 / RL / 安全选择器 / 蒸馏 Top-K
  training/     自研 PPO、rollout、四阶段课程学习与训练入口
  evaluation/   公平评测器与指标汇总（逐实例比值 + win_rate + 分位数）
  utils/        配置、IO 与随机种子工具

scripts/        训练、评测、基准矩阵、蒸馏、Conformal、在线、OS 兼容复现脚本
configs/        场景 / 模型 / 训练配置（换规模与异构度只改 YAML）
web/            Flask + ECharts 可视化与因果在线演示台
tests/          核心逻辑与 API 测试（58 项）

统一接口契约：所有调度方法实现 Policy.assign(dag, res) -> {task: node}，经同一个确定性仿真器计算 makespan； RL 的联合动作 task × node 与 ready-task action mask 在训练与推理阶段完全一致，保证行为可复现、口径可比较。

                 ┌────────────── 候选生成（多样性）──────────────┐
  DAG + 资源 ──▶ │ HEFT / HEFT-ins / CPOP / PEFT / Lookahead /    │
                 │ EMD / CP-priority / RL 多样本 rlk_K            │
                 └──────────────────────┬─────────────────────────┘
                                        ▼
                       SafeSelector：逐一真实仿真，取 makespan 最小
                                        ▼
                          输出（可证明 ≥ 池内最强单候选）

快速开始（一键复现）

环境：Python ≥ 3.10，CPU 即可，无显卡要求。以下命令均在仓库根目录执行。

0. 安装依赖

# 建议虚拟环境
python -m venv .venv && source .venv/bin/activate

# 安装（torch 用 CPU 构建即可；本项目不依赖 GPU）
python -m pip install -r requirements.txt

一键复现主流程（带注释）

# ── 第 1 步：生成固定场景 ─────────────────────────────────────────────
# 由 configs/scenarios_default.yaml 驱动，生成 train=600 / val=200 / test=200，
# 三个划分使用互不重叠的固定种子区间（base_seed=1234），保证可复现、零泄漏。
python scripts/generate_scenarios.py --config configs/scenarios_default.yaml

# ── 第 2 步：训练 Transformer 课程 PPO（一键完成训练 + 训练中 val 评测）──
# 产出 best.pt / final.pt / summary.json / train_log.json，无需改任何代码。
# 配置见 configs/train_attn_ppo.yaml：hidden=128, n_layers=3, heads=8,
# 4 阶段课程（<=15t -> <=30t -> <=50t -> 全尺寸），PPO 300 iter。
# CPU 上约 2.7 小时；想先跑通可临时把 total_iterations 调小。
python scripts/run_train.py --config configs/train_attn_ppo.yaml

# ── 第 3 步：单 split 公平评测（HEFT / 随机 / RL 同口径比较）──────────
# 加载第 2 步产出的 checkpoint，在 val 上跑统一评测器，产出 summary.json。
python scripts/run_eval.py \
  --data data/scenarios \
  --split val \
  --rl_ckpt results/rl_transformer/best.pt \
  --out results/summary_val.json

# ── 第 4 步：完整策略矩阵（多策略 + 逐场景 + 独立计时）─────────────────
# 注册表支持 heft / heft_insertion / cpop / peft / lookahead / emd /
# cp_priority / random / rl / rlk_K / safe[...] / distilled_topk。
# 输出 summary.json（含 mean_ratio / win_rate / 分位数 / 每场景结果）+ per_scenario.csv。
python scripts/benchmark_matrix.py \
  --data data/scenarios \
  --split val \
  --policies 'heft,heft_insertion,peft,rlk_10,safe[rlk_10+peft+heft_insertion]' \
  --rl_ckpt results/rl_transformer/best.pt \
  --name final_val

# ── 第 5 步：启动 Web 可视化与在线演示台 ───────────────────────────────
python web/app.py            # 访问 http://localhost:5050

复现论文级证据（可选，对应核心结果各表）

# 多 seed 统计（5 seed × 5 split，对应「核心结果 §2」）
bash scripts/run_phase4_master.sh            # 串行训练 seeds 45/46 + 五 split 评测
python scripts/core_evidence_stats.py        # -> results/core_evidence/multiseed_stats.{json,md}

# 质量-时延 Pareto（对应「核心结果 §3」，逐策略独立计时）
python scripts/pareto_comparison.py          # -> results/core_evidence/pareto/

# 蒸馏 Top-K（对应「核心结果 §4」，无 torch 依赖）
python scripts/train_distilled_selector.py   # 训练逐候选回归器
python scripts/benchmark_matrix.py --data data/scenarios --split val \
  --policies 'distilled_topk' --name distill_val

# Conformal 覆盖校准 + OOD 检测（对应「核心结果 §5」）
python scripts/conformal_gate.py

# 因果在线评测（对应「核心结果 §6」，online_lookahead=False 纯因果）
python scripts/online_benchmark.py

# 国产 OS 逐位复现（对应「核心结果 §7」，需对应 OS 环境/容器）
bash scripts/os_compat/run_os_compat.sh          # L1 轻量核心
bash scripts/os_compat/run_os_compat.sh v2       # L2 v2 场景
bash scripts/os_compat/run_openeuler_full.sh     # L3 openEuler 完整 DRL 链路

固定挑战集 CEED-100 的 manifest 与场景已入库（data/ceed100/、data/ceed100_v2/），无需重新生成即可复现消融与评测； v2 的 hidden_test 仅存 sha256 指纹、不落盘场景，防止方法开发期偷看。

Web 可视化与在线演示台

python web/app.py            # 默认 http://localhost:5050

页面	路径	内容
总览	`/`	项目与核心指标概览（`/api/overview`）
静态调度对比	`/schedule`	单场景 RL vs HEFT 甘特图对比（val_00000：HEFT 8.316 → RL 6.273，−25%）
泛化分析	`/generalization`	三划分 + 挑战集泛化（5-seed std ≤ 0.004）
鲁棒性	`/robustness`	扰动下的稳定性
Conformal	`/conformal`	覆盖校准与 OOD 检测可视化
在线调度	`/online`	事件驱动在线仿真结果
因果在线演示台	`/demo-online`	节点失效/带宽波动等预设，实时因果调度 vs HEFT（主秀）
挑战集	`/challenge`	CEED-100 固定挑战集运行与逐场景结果
OS 兼容	`/oscompat`	覆盖矩阵按 `results/` 证据文件存在性实时计算，可当场审计

所有页面的 makespan / ratio / 重调度次数 / 决策耗时均来自真实在线仿真，无任何硬编码指标或假动画。演示台默认策略 SafeOnlineSelector(online_lookahead=False)（纯因果在线）。录制说明见演示台操作与 ≤5 分钟录制脚本。

仓库结构

dr-ce-scheduler/
├── src/sched/            框架核心（env / scenarios / policies / training / evaluation / utils）
├── scripts/              训练 / 评测 / 基准矩阵 / 蒸馏 / Conformal / 在线 / OS 复现脚本
├── configs/              场景、模型与训练 YAML（换规模/异构度只改配置）
├── web/                  Flask + ECharts 前端与因果在线演示台
├── tests/                58 项核心逻辑与 API 测试
├── data/
│   ├── scenarios/        生成数据（train/val/test，可由脚本重生成）
│   ├── scenarios_ood/    OOD 40 任务场景
│   ├── ceed100/          固定挑战集 v1（manifest + 场景，入库）
│   └── ceed100_v2/       固定挑战集 v2（public/hidden_val 入库，hidden_test 仅指纹）
├── results/              结果与逐场景记录（benchmark / core_evidence / ceed100 / os_compat / logs …）
├── docs/                 设计与答辩文档（见下方索引）
└── iterations/           阶段状态与项目摘要

文档索引（含摘要）

核心文档（当前可信，优先阅读）

文档	摘要
创新点与答辩依据	最重要的一份。六大创新点「一句话主张 + 关键数字 + 证据位置」，附赛题评分细则（功能 40 / 性能 35 / 文档 25）逐项自查表、5-seed 统计口径与答辩对答预案。
系统设计	问题建模、MDP（状态/动作/掩码/奖励公式）、五层架构与接口契约、reward 归一化的设计原因。
复现实验	运行命令、配置文件、关键超参表、数据划分（train600/val200/test200，零重叠）、输出路径与依赖版本。
国产 OS 兼容与复现	三层递进实验（L1 轻量核心 / L2 v2 场景 / L3 完整 DRL）、指纹与数值结果、文件级证据链与答辩预案。
演示台操作说明	`/demo-online` 因果在线演示台的录屏流程与预设（节点故障等）。
演示视频录制脚本	≤5 分钟初赛视频的逐场景时间表、画面操作、逐字旁白、字幕与数字速查表。

工程与部署文档

文档	摘要
极简部署	3 步约 5 分钟，把项目传到无显卡 Linux 服务器并用 `nohup` 跑长训练。
无人值守部署	一次性在服务器上跑完全部训练变体（rsync 同步 + 后台执行）。
自动化实验闭环	把 DRL 调参从手工转为可复现/可扩展/可并行的实验流程：实验控制器 + 独立执行进程 + 结构化记分牌。

历史参考文档（基于旧评测协议，数字仅供溯源）

以下三份生成于 Phase 2 P0 修复之前的旧评测协议（各策略 order 不一致），其具体数字已被 INNOVATION.md 与 results/core_evidence/ 取代，请勿引用其中数字，仅作演进记录保留。

文档	摘要
评测与结果（历史）	旧评测协议下的结果；顶部含 P0 修复声明，修复后同 ckpt val 1.0085 → 1.0450。
泛化分析（历史） / test 版	旧协议下的 val / test 子集泛化分析。
鲁棒性扰动（历史）	旧协议下的静态参数扰动泛化（非执行中故障与在线恢复）。

测试

python -m pytest -q          # 58 passed

覆盖：DAG / 仿真器确定性、action mask 训练-推理一致性、各策略与选择器、蒸馏、Conformal、在线仿真、OS 兼容 API。

数据集与评测口径

数据集	规模	用途	说明
`data/scenarios`	train 600 / val 200 / test 200	训练与分布内评测	固定种子区间零重叠（base_seed=1234）
`data/scenarios_ood`	100 × 40 任务	OOD 规模外泛化	训练未见过的更大实例
`data/ceed100`	100 场景	固定挑战集 v1	manifest 入库，不重生成
`data/ceed100_v2`	public 60 / hidden_val 20 / hidden_test 仅指纹	固定挑战集 v2	防偷看：hidden_test 不落盘场景

指标：mean_ratio = mean(策略 makespan / HEFT makespan)，逐实例取比值再平均；辅助 win_rate / std / P90 / P95。
时延：Pareto 表中各策略同机、同口径独立计时；纯启发式 SafeSelector 耗时不冒充含 RL 方法耗时。
因果口径：在线评测主表只用因果数字，预知结果一律标注「Oracle 上界」。

可复现性与诚实边界

本项目把「可复现」与「诚实口径」作为一等公民：

✅ 逐位可复现：仿真器为确定性纯 Python 实现，makespan 指纹 = (场景id, 策略, round(makespan,6)) 有序序列的 sha256；跨三套 numpy 版本与三大国产 OS 逐位一致。
✅ 统计严谨：主方法 5 个随机种子复跑，std ≤ 0.0041，配对 t-test 排除幸运种子。
✅ 防偷看：CEED-100 v2 hidden_test 仅存指纹；指纹在全部策略跑完后统一计算，无法事后修改单条。
⚠️ 已知边界（如实声明）：在 40 任务 OOD 与 CEED-100 v2 等通信主导 regime 上，单 RL 候选泛化有限（rlk_* > 1.0），此时由安全选择器中的启发式候选兜底；纯启发式 SafeSelector 在质量–时延 Pareto 上更优，工程交付可采用蒸馏 Top-K 或启发式安全池。我们对此做了完整的根因诊断（通信主导 + 绝对位置编码尺寸外推弱），而非回避。

_{赛题 #16 · 基于深度强化学习的云-边-端异构计算资源管理调度方法}