論文の概要: Multi-objective Optimization of Clustering-based Scheduling for
Multi-workflow On Clouds Considering Fairness
- arxiv url: http://arxiv.org/abs/2205.11173v1
- Date: Mon, 23 May 2022 10:25:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-24 18:22:50.269596
- Title: Multi-objective Optimization of Clustering-based Scheduling for
Multi-workflow On Clouds Considering Fairness
- Title(参考訳): フェアネスを考慮したマルチワークフロークラウドにおけるクラスタリングに基づくスケジューリングの多目的最適化
- Authors: Feng Li, Wen Jun, Tan and Wentong, Cai
- Abstract要約: 本稿では,資源割り当てのためのクラスタリングに基づくマルチワークフロースケジューリング手法を提案する。
実験結果から,提案手法の精度は,提案手法が比較アルゴリズムよりも優れており,全体の規模とコストと,個別の公平性を著しく損なうことなく性能が向上することが示された。
- 参考スコア(独自算出の注目度): 4.021507306414546
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Distributed computing, such as cloud computing, provides promising platforms
to execute multiple workflows. Workflow scheduling plays an important role in
multi-workflow execution with multi-objective requirements. Although there
exist many multi-objective scheduling algorithms, they focus mainly on
optimizing makespan and cost for a single workflow. There is a limited research
on multi-objective optimization for multi-workflow scheduling. Considering
multi-workflow scheduling, there is an additional key objective to maintain the
fairness of workflows using the resources. To address such issues, this paper
first defines a new multi-objective optimization model based on makespan, cost,
and fairness, and then proposes a global clustering-based multi-workflow
scheduling strategy for resource allocation. Experimental results show that the
proposed approach performs better than the compared algorithms without
significant compromise of the overall makespan and cost as well as individual
fairness, which can guide the simulation workflow scheduling on clouds.
- Abstract(参考訳): クラウドコンピューティングのような分散コンピューティングは、複数のワークフローを実行する有望なプラットフォームを提供する。
ワークフロースケジューリングは、マルチ目的要求によるマルチワークフロー実行において重要な役割を果たす。
多目的スケジューリングアルゴリズムは数多く存在するが、それらは主に1つのワークフローの最適化とコストに焦点を当てている。
マルチワークフロースケジューリングのマルチ目的最適化に関する限定的な研究がある。
マルチワークフロースケジューリングを考えると、リソースを使用するワークフローの公平性を維持するための追加の目的があります。
このような問題に対処するために、まず、コスト、公平性に基づく新しい多目的最適化モデルを定義し、続いてリソース割り当てのためのグローバルクラスタリングに基づくマルチワークフロースケジューリング戦略を提案する。
実験結果から,提案手法は,クラウド上でのシミュレーションワークフロースケジューリングを導くことができる個別公平性だけでなく,全体のメースパンやコストを損なうことなく,比較アルゴリズムよりも優れた性能を示すことがわかった。
関連論文リスト
- Multi-Fidelity Bayesian Optimization With Across-Task Transferable Max-Value Entropy Search [36.14499894307206]
本稿では,現在のタスクに関する情報を取得する必要性と,将来的なタスクに伝達可能な情報を集めることのバランスをとる新しい情報理論獲得機能を提案する。
実世界の実世界の実例にまたがる実験結果から,提案手法が十分なタスク数を処理すると,最適化効率を大幅に向上できることが明らかとなった。
論文 参考訳(メタデータ) (2024-03-14T17:00:01Z) - Scalarization for Multi-Task and Multi-Domain Learning at Scale [15.545810422759295]
複数の入力ドメインと/または出力タスクで単一のモデルをトレーニングすることで、複数のソースからの情報を統一されたバックボーンに圧縮することができる。
しかし、これらのネットワークの最適化は、異なるタスクやドメイン間の相違による課題である。
論文 参考訳(メタデータ) (2023-10-13T07:31:04Z) - Let the Flows Tell: Solving Graph Combinatorial Optimization Problems
with GFlowNets [86.43523688236077]
組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。
GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。
本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
論文 参考訳(メタデータ) (2023-05-26T15:13:09Z) - Semisoft Task Clustering for Multi-Task Learning [2.806911268410107]
マルチタスク学習(MTL)は、複数の関連する予測タスクの性能を向上させることを目的としている。
そこで本研究では,タスククラスタリング構造を半ソフトなタスククラスタリング手法として提案する。
合成および実世界のデータセットに基づく実験結果は,提案手法の有効性と有効性を検証する。
論文 参考訳(メタデータ) (2022-11-28T07:23:56Z) - Multi-Job Intelligent Scheduling with Cross-Device Federated Learning [65.69079337653994]
フェデレートラーニング(FL)は、センシティブな生データを共有せずに、協調的なグローバル機械学習モデルのトレーニングを可能にする。
本稿では,複数のジョブを並列にトレーニングできる新しいマルチジョブFLフレームワークを提案する。
本稿では,元来の強化学習に基づくスケジューリング手法と元来のベイズ最適化に基づくスケジューリング手法を含む,複数のスケジューリング手法に基づく新しいインテリジェントスケジューリング手法を提案する。
論文 参考訳(メタデータ) (2022-11-24T06:17:40Z) - Multi-Objective GFlowNets [59.16787189214784]
本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。
薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。
GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
論文 参考訳(メタデータ) (2022-10-23T16:15:36Z) - In Defense of the Unitary Scalarization for Deep Multi-Task Learning [121.76421174107463]
本稿では,多くの特殊マルチタスクを正規化の形式として解釈できることを示唆する理論解析について述べる。
標準正規化と安定化技術と組み合わせると、ユニタリスカラー化は複雑なマルチタスクの性能にマッチし、改善することを示す。
論文 参考訳(メタデータ) (2022-01-11T18:44:17Z) - A Scalable Deep Reinforcement Learning Model for Online Scheduling
Coflows of Multi-Stage Jobs for High Performance Computing [9.866286878494979]
多段階ジョブでは、各ジョブは複数のコフローで構成され、DAG(Directed Acyclic Graph)によって表現される。
本稿では,入力を処理する新しいパイプライン-DAGNNを提案し,新しいコフロースケジューリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-12-21T09:36:55Z) - Efficient Device Scheduling with Multi-Job Federated Learning [64.21733164243781]
本稿では,複数のジョブの並列学習プロセスを実現するための,新しいマルチジョブフェデレーション学習フレームワークを提案する。
コストを最小化しつつ、複数のジョブに対してデバイスをスケジュールする強化学習法とベイズ最適化法を提案する。
提案手法は,トレーニング時間(最大8.67倍高速)と精度(最大44.6%高)において,ベースラインアプローチよりも有意に優れていた。
論文 参考訳(メタデータ) (2021-12-11T08:05:11Z) - Resource Aware Multifidelity Active Learning for Efficient Optimization [0.8717253904965373]
本稿では,ブラックボックス関数の最適化を高速化するためのリソース・アウェア・アクティブ・ラーニング(RAAL)戦略を紹介する。
RAAL戦略は最適化タスクの大幅な高速化を可能にするために、最適に複数のポイントを投入する。
論文 参考訳(メタデータ) (2020-07-09T10:01:32Z) - Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal
Constraints [52.58352707495122]
本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。
都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
論文 参考訳(メタデータ) (2020-05-27T01:10:41Z)
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。