論文の概要: Cost-Aware Dynamic Cloud Workflow Scheduling using Self-Attention and Evolutionary Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2409.18444v1
- Date: Fri, 27 Sep 2024 04:45:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 06:11:53.163675
- Title: Cost-Aware Dynamic Cloud Workflow Scheduling using Self-Attention and Evolutionary Reinforcement Learning
- Title（参考訳）: 自己注意と進化的強化学習を用いた費用対効果を考慮した動的クラウドワークフロースケジューリング
- Authors: Ya Shen, Gang Chen, Hui Ma, Mengjie Zhang,
- Abstract要約: 本稿では,クラウドワークフロースケジューリングのための自己注意ポリシーネットワークを提案する。
トレーニングされたSPN-CWSは、すべての候補インスタンスを効果的に処理し、ワークフロータスクを実行するのに最も適したVMインスタンスを特定する。
提案手法は,複数のベンチマークCDMWS問題において,最先端のアルゴリズムよりも顕著に優れている。
- 参考スコア（独自算出の注目度）: 7.653021685451039
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Cost-aware Dynamic Multi-Workflow Scheduling (CDMWS) in the cloud is a kind of cloud workflow management problem, which aims to assign virtual machine (VM) instances to execute tasks in workflows so as to minimize the total costs, including both the penalties for violating Service Level Agreement (SLA) and the VM rental fees. Powered by deep neural networks, Reinforcement Learning (RL) methods can construct effective scheduling policies for solving CDMWS problems. Traditional policy networks in RL often use basic feedforward architectures to separately determine the suitability of assigning any VM instances, without considering all VMs simultaneously to learn their global information. This paper proposes a novel self-attention policy network for cloud workflow scheduling (SPN-CWS) that captures global information from all VMs. We also develop an Evolution Strategy-based RL (ERL) system to train SPN-CWS reliably and effectively. The trained SPN-CWS can effectively process all candidate VM instances simultaneously to identify the most suitable VM instance to execute every workflow task. Comprehensive experiments show that our method can noticeably outperform several state-of-the-art algorithms on multiple benchmark CDMWS problems.
- Abstract（参考訳）: クラウドにおけるコスト対応の動的マルチワークフロースケジューリング(CDMWS)は一種のクラウドワークフロー管理の問題であり、仮想マシン(VM)インスタンスを割り当ててワークフロー内でタスクを実行することで、SLA(Service Level Agreement)に違反する罰則とVMレンタル料の両方を含む総コストを最小化することを目的としている。
ディープニューラルネットワークにより、強化学習(RL)法はCDMWS問題を解決するための効果的なスケジューリングポリシーを構築することができる。
RLの伝統的なポリシーネットワークは、基本的なフィードフォワードアーキテクチャを使用して、すべてのVMを同時に考慮せずにグローバル情報を学ぶことなく、VMインスタンスを割り当てる適性を個別に決定することが多い。
本稿では,すべてのVMからグローバルな情報をキャプチャするクラウドワークフロースケジューリング(SPN-CWS)のための,新たなセルフアテンションポリシーネットワークを提案する。
また,SPN-CWS を確実かつ効果的に学習するための進化戦略に基づく RL (ERL) システムを開発した。
トレーニングされたSPN-CWSは、すべての候補VMインスタンスを効果的に処理し、ワークフロータスクを実行するのに最も適したVMインスタンスを特定する。
総合的な実験により,本手法は複数のベンチマークCDMWS問題において,最先端のアルゴリズムよりも顕著に優れていることが示された。
関連論文リスト
- Benchmarking Agentic Workflow Generation [80.74757493266057]
複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorFBenchを紹介する。
また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorFEvalを提案する。
我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することができることを観察する。
論文 参考訳（メタデータ） (2024-10-10T12:41:19Z) - Sparse Diffusion Policy: A Sparse, Reusable, and Flexible Policy for Robot Learning [61.294110816231886]
我々はスパース・リユース・フレキシブル・ポリシー、スパース・ディフュージョン・ポリシー(SDP)を導入する。
SDPは、エキスパートとスキルを選択的に活性化し、モデル全体をトレーニングすることなく、効率的でタスク固有の学習を可能にする。
デモとコードはhttps://forrest-110.io/sparse_diffusion_policy/にある。
論文 参考訳（メタデータ） (2024-07-01T17:59:56Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - 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) - CILP: Co-simulation based Imitation Learner for Dynamic Resource
Provisioning in Cloud Computing Environments [13.864161788250856]
レイテンシクリティカルなタスクの主な課題は、積極的にプロビジョニングする将来のワークロード要求を予測することだ。
既存のAIベースのソリューションは、プロビジョニングのオーバーヘッド、異種VMコスト、クラウドシステムの品質(QoS)など、すべての重要な側面を公平に考慮しない傾向があります。
予測と最適化の2つのサブプロブレムとしてVMプロビジョニング問題を定式化するCILPと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-02-11T09:15:34Z) - SMLT: A Serverless Framework for Scalable and Adaptive Machine Learning
Design and Training [4.015081523508339]
SMLTは、自動化されたスケーラブルで適応的なサーバレスフレームワークで、効率的でユーザ中心のML設計とトレーニングを可能にする。
SMLTでは、トレーニング中のMLタスクのデプロイメントとリソーススケーリングを動的に最適化するために、自動で適応的なスケジューリング機構を採用している。
大規模で洗練された最新のMLモデルによる実験的な評価は、SMLTが最先端のVMベースシステムと既存のサーバレスMLトレーニングフレームワークを、トレーニング速度(最大8倍)と金銭コスト(最大3倍)で上回っていることを示している。
論文 参考訳（メタデータ） (2022-05-04T02:11:26Z) - Controllable Dynamic Multi-Task Architectures [92.74372912009127]
本稿では,そのアーキテクチャと重みを動的に調整し,所望のタスク選択とリソース制約に適合させる制御可能なマルチタスクネットワークを提案する。
本稿では,タスク親和性と分岐正規化損失を利用した2つのハイパーネットの非交互トレーニングを提案し,入力の嗜好を取り入れ,適応重み付き木構造モデルを予測する。
論文 参考訳（メタデータ） (2022-03-28T17:56:40Z) - Semantic of Cloud Computing services for Time Series workflows [0.0]
時系列(TS)は多くの知識、研究、工学の分野に存在している。
TSの処理と分析は、データから知識を抽出し、予測または予測保守タスクに取り組むために不可欠である。
TSのモデリングは、高度な統計知識と、データマイニング(DM)と機械学習(ML)メソッドの適用に関する優れた知識を必要とする、困難なタスクである。
論文 参考訳（メタデータ） (2022-02-01T17:57:40Z) - VMAgent: Scheduling Simulator for Reinforcement Learning [44.026076801936874]
VMAgentと呼ばれる新しいシミュレータは、RL研究者が新しい手法をよりよく探求するのに役立つ。
VMAgentは、実用的な仮想マシン(VM)スケジューリングタスクにインスパイアされている。
VMスケジューリングの観点からは、VMAgentは学習ベースのスケジューリングソリューションの改善にも役立ちます。
論文 参考訳（メタデータ） (2021-12-09T09:18:38Z) - Reinforcement Learning on Computational Resource Allocation of
Cloud-based Wireless Networks [22.06811314358283]
IoT(Internet of Things)に使用される無線ネットワークには、主にクラウドベースのコンピューティングと処理が関与することが期待されている。
クラウド環境では、プロセスのパフォーマンスを維持しながらエネルギーを節約するために、動的計算資源割り当てが不可欠である。
本稿では、この動的計算資源割当問題をマルコフ決定プロセス(MDP)にモデル化し、CPU使用量の動的リソース割当を最適化するためのモデルベース強化学習エージェントを設計する。
その結果, エージェントは最適方針に迅速に収束し, 異なる設定で安定して動作し, 性能が良く, あるいは少なくとも等しく動作し, 異なるシナリオでの省エネにおけるベースラインアルゴリズムと比較した。
論文 参考訳（メタデータ） (2020-10-10T15:16:26Z) - Federated Learning for Task and Resource Allocation in Wireless High
Altitude Balloon Networks [160.96150373385768]
移動エッジコンピューティング(MEC)対応バルーンネットワークにおいて,タスク計算と伝送におけるエネルギーと時間消費の最小化の問題について検討した。
サポートベクトルマシン(SVM)に基づくフェデレーション学習(FL)アルゴリズムを提案する。
提案したSVMベースのFL法では,各HABが協調してSVMモデルを構築し,すべてのユーザアソシエーションを決定できる。
論文 参考訳（メタデータ） (2020-03-19T14:18:25Z)
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。