論文の概要: MetaNet: Automated Dynamic Selection of Scheduling Policies in Cloud
Environments
- arxiv url: http://arxiv.org/abs/2205.10642v1
- Date: Sat, 21 May 2022 16:51:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-05 12:42:11.992221
- Title: MetaNet: Automated Dynamic Selection of Scheduling Policies in Cloud
Environments
- Title（参考訳）: metanet:クラウド環境におけるスケジューリングポリシーの動的自動選択
- Authors: Shreshth Tuli and Giuliano Casale and Nicholas R. Jennings
- Abstract要約: 本研究の目的は,MetaNetと呼ばれる代理モデルを用いてスケジューリングポリシーのオンライン動的選択という,非自明なメタ問題を解決することである。
最先端のDNNスケジューラと比較して、実行コスト、エネルギー消費、応答時間、サービスレベルの合意違反を最大11, 43, 8, 13パーセント改善することができる。
- 参考スコア（独自算出の注目度）: 13.864161788250856
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Task scheduling is a well-studied problem in the context of optimizing the
Quality of Service (QoS) of cloud computing environments. In order to sustain
the rapid growth of computational demands, one of the most important QoS
metrics for cloud schedulers is the execution cost. In this regard, several
data-driven deep neural networks (DNNs) based schedulers have been proposed in
recent years to allow scalable and efficient resource management in dynamic
workload settings. However, optimal scheduling frequently relies on
sophisticated DNNs with high computational needs implying higher execution
costs. Further, even in non-stationary environments, sophisticated schedulers
might not always be required and we could briefly rely on low-cost schedulers
in the interest of cost-efficiency. Therefore, this work aims to solve the
non-trivial meta problem of online dynamic selection of a scheduling policy
using a surrogate model called MetaNet. Unlike traditional solutions with a
fixed scheduling policy, MetaNet on-the-fly chooses a scheduler from a large
set of DNN based methods to optimize task scheduling and execution costs in
tandem. Compared to state-of-the-art DNN schedulers, this allows for
improvement in execution costs, energy consumption, response time and service
level agreement violations by up to 11, 43, 8 and 13 percent, respectively.
- Abstract（参考訳）: タスクスケジューリングは、クラウドコンピューティング環境のQuality of Service(QoS)を最適化する文脈において、よく研究されている問題である。
計算要求の急速な成長を維持するため、クラウドスケジューラにとって最も重要なQoSメトリクスの1つは、実行コストである。
このような観点から、動的ワークロード設定におけるスケーラブルで効率的なリソース管理を可能にするために、データ駆動型ディープニューラルネットワーク(DNN)ベースのスケジューラが近年提案されている。
しかし、最適スケジューリングは高い計算能力を必要とする高度なdnnに依存しており、実行コストが高くなる。
さらに,非定常環境においても,高精細なスケジューラは必ずしも必要ではなく,コスト効率の低いスケジューラを短時間で利用することができる。
そこで本研究では,MetaNetと呼ばれる代理モデルを用いて,スケジューリングポリシーのオンライン動的選択という,非自明なメタ問題を解決することを目的とする。
固定されたスケジューリングポリシーを持つ従来のソリューションとは異なり、metanetは大量のdnnベースのメソッドからスケジューラを選択し、タスクのスケジューリングと実行コストをタンデムで最適化する。
最先端のDNNスケジューラと比較して、実行コスト、エネルギー消費、応答時間、サービスレベルの合意違反を最大11, 43, 8, 13パーセント改善することができる。
関連論文リスト
- Optimizing Load Scheduling in Power Grids Using Reinforcement Learning and Markov Decision Processes [0.0]
本稿では,動的負荷スケジューリングの課題に対処する強化学習(RL)手法を提案する。
提案手法は実時間負荷スケジューリングのためのロバストでスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2024-10-23T09:16:22Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳（メタデータ） (2023-05-02T07:41:16Z) - Graph Neural Networks for the Offline Nanosatellite Task Scheduling
Problem [7.20853603061523]
本研究では,グラフニューラルネットワーク(GNN)を用いて,ナノサテライトタスクをより効率的にスケジュールする方法を検討する。
目標は、QoS(Quality-of-Service)を考慮して、軌道上で実行するタスクの最適なスケジュールを見つけることである。
論文 参考訳（メタデータ） (2023-03-24T03:17:28Z) - Scheduling Inference Workloads on Distributed Edge Clusters with
Reinforcement Learning [11.007816552466952]
本稿では,エッジネットワークにおける予測クエリを短時間でスケジューリングする問題に焦点をあてる。
シミュレーションにより,大規模ISPの現実的なネットワーク設定とワークロードにおけるいくつかのポリシーを解析する。
我々は、強化学習に基づくスケジューリングアルゴリズムASETを設計し、システム条件に応じてその決定を適応させることができる。
論文 参考訳（メタデータ） (2023-01-31T13:23:34Z) - Towards Optimal VPU Compiler Cost Modeling by using Neural Networks to
Infer Hardware Performances [58.720142291102135]
VPUNN"は低レベルのタスクプロファイリングに基づいてトレーニングされたニューラルネットワークベースのコストモデルである。
これは、IntelのVPUプロセッサのラインにおける最先端のコストモデリングよりも一貫して優れている。
論文 参考訳（メタデータ） (2022-05-09T22:48:39Z) - Innovations in the field of on-board scheduling technologies [64.41511459132334]
本稿では、ミッション自律のためのソフトウェアフレームワークに組み込まれた、オンボードスケジューラを提案する。
スケジューラは線形整数プログラミングに基づいており、ブランチ・アンド・カット・ソルバの使用に依存している。
この技術は地球観測のシナリオでテストされており、その性能を最先端のスケジューリング技術と比較している。
論文 参考訳（メタデータ） (2022-05-04T12:00:49Z) - MCDS: AI Augmented Workflow Scheduling in Mobile Edge Cloud Computing
Systems [12.215537834860699]
近年,エッジコンピューティングプラットフォームの低応答時間を利用してアプリケーション品質・オブ・サービス(QoS)を最適化するスケジューリング手法が提案されている。
本稿では,Deep Surrogate Models を用いたモンテカルロ学習を用いて,モバイルエッジクラウドコンピューティングシステムにおけるワークフローアプリケーションを効率的にスケジューリングする手法を提案する。
論文 参考訳（メタデータ） (2021-12-14T10:00:01Z) - Meta-learning with an Adaptive Task Scheduler [93.63502984214918]
既存のメタ学習アルゴリズムは、一様確率でランダムにメタトレーニングタスクをサンプリングする。
タスクは、限られた数のメタトレーニングタスクを考えると、ノイズや不均衡に有害である可能性が高い。
メタトレーニングプロセスのための適応タスクスケジューラ(ATS)を提案する。
論文 参考訳（メタデータ） (2021-10-26T22:16:35Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳（メタデータ） (2021-05-01T10:18:34Z) - An Online Algorithm for Computation Offloading in Non-Stationary
Environments [12.843328612860244]
計算タスクをアウトソーシングするユーザ機器に複数のサーバが利用可能なタスクオフロードシナリオにおいて,レイテンシの問題を考慮する。
無線リンクの時間的動的性質と計算資源の可用性を考慮し、サーバ選択をマルチアームバンディット(MAB)問題としてモデル化する。
本研究では,不確実性に直面した楽観主義の原理に基づく新しいオンライン学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-22T07:00:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。