Fugu-MT 論文翻訳(概要): Electricity Cost Minimization for Multi-Workflow Allocation in Geo-Distributed Data Centers

論文の概要: Electricity Cost Minimization for Multi-Workflow Allocation in Geo-Distributed Data Centers

arxiv url: http://arxiv.org/abs/2504.20105v1
Date: Sun, 27 Apr 2025 11:56:48 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:54.593371
Title: Electricity Cost Minimization for Multi-Workflow Allocation in Geo-Distributed Data Centers
Title（参考訳）: 分散データセンターにおけるマルチフロー配置の電力コスト最小化
Authors: Shuang Wang, He Zhang, Tianxing Wu, Yueyou Zhang, Wei Emma Zhang, Quan Z. Sheng,
Abstract要約: GDC(Geo-Distributed Data Centers)は、大規模なワークフローアプリケーションのためのコンピューティングおよびストレージサービスを提供する。 GDCでは,ワークフローアプリケーションの期限制約を満たすことによる電力コストの削減が重要である。
参考スコア（独自算出の注目度）: 26.008602849483594
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Worldwide, Geo-distributed Data Centers (GDCs) provide computing and storage services for massive workflow applications, resulting in high electricity costs that vary depending on geographical locations and time. How to reduce electricity costs while satisfying the deadline constraints of workflow applications is important in GDCs, which is determined by the execution time of servers, power, and electricity price. Determining the completion time of workflows with different server frequencies can be challenging, especially in scenarios with heterogeneous computing resources in GDCs. Moreover, the electricity price is also different in geographical locations and may change dynamically. To address these challenges, we develop a geo-distributed system architecture and propose an Electricity Cost aware Multiple Workflows Scheduling algorithm (ECMWS) for servers of GDCs with fixed frequency and power. ECMWS comprises four stages, namely workflow sequencing, deadline partitioning, task sequencing, and resource allocation where two graph embedding models and a policy network are constructed to solve the Markov Decision Process (MDP). After statistically calibrating parameters and algorithm components over a comprehensive set of workflow instances, the proposed algorithms are compared with the state-of-the-art methods over two types of workflow instances. The experimental results demonstrate that our proposed algorithm significantly outperforms other algorithms, achieving an improvement of over 15\% while maintaining an acceptable computational time. The source codes are available at https://gitee.com/public-artifacts/ecmws-experiments.
Abstract（参考訳）: グローバルなGDC(Geo-Distributed Data Centers)は、大規模なワークフローアプリケーションのためのコンピューティングおよびストレージサービスを提供する。サーバ,電力,電力価格の実行時間によって決定されるGDCでは,ワークフローアプリケーションの期限制約を満たすとともに,電力コストを削減する方法が重要である。異なるサーバ周波数でワークフローの完了時間を決定することは、特にGDCの異種コンピューティングリソースを持つシナリオでは困難である。さらに、電力価格も地理的に異なり、動的に変化する可能性がある。これらの課題に対処するため、我々は、地理分散システムアーキテクチャを開発し、固定周波数と電力を持つGDCのサーバに対して、電力コストを考慮した多重ワークフロースケジューリングアルゴリズム(ECMWS)を提案する。 ECMWSは、ワークフローシークエンシング、デッドラインパーティショニング、タスクシークエンシング、リソースアロケーションの4つのステージから構成されており、2つのグラフ埋め込みモデルとポリシーネットワークを構築して、マルコフ決定プロセス(MDP)を解決する。包括的なワークフローインスタンス上でパラメータとアルゴリズムコンポーネントを統計的に校正した後、提案アルゴリズムは2種類のワークフローインスタンス上での最先端の手法と比較する。実験の結果,提案アルゴリズムは他のアルゴリズムよりも優れており,許容時間を維持しながら15倍以上の改善を実現していることがわかった。ソースコードはhttps://gitee.com/public-artifacts/ecmws-experimentsで公開されている。

関連論文リスト

Dynamic Operating System Scheduling Using Double DQN: A Reinforcement Learning Approach to Task Optimization [2.2045629562818085]
実験の結果,Double DQNアルゴリズムは軽負荷,中負荷,重負荷シナリオ下でのスケジューリング性能が高いことがわかった。このアルゴリズムはまた、資源利用における高い最適化能力を示し、システム状態に応じてリソース割り当てをインテリジェントに調整することができる。今後の研究では、より複雑なシステム、特にクラウドコンピューティングや大規模分散環境におけるアルゴリズムの適用について検討する予定である。
論文参考訳（メタデータ） (2025-03-31T01:48:21Z)
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を観察する。
論文参考訳（メタデータ） (2024-10-10T12:41:19Z)
Computation Rate Maximization for Wireless Powered Edge Computing With Multi-User Cooperation [10.268239987867453]
本研究では,コンピュータユニットとIoT(Internet of Things)デバイスを備えたハイブリッドアクセスポイントを備えた,無線通信によるモバイルエッジコンピューティングシステムについて考察する。本稿では,協調クラスタを動的に形成する計算性能を改善するための,新しいマルチユーザ協調方式を提案する。具体的には、ネットワーク内のすべてのIoTデバイスの重み付け和計算率(WSCR)を最大化する。
論文参考訳（メタデータ） (2024-01-22T05:22:19Z)
Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-04-17T02:12:30Z)
A Makespan and Energy-Aware Scheduling Algorithm for Workflows under Reliability Constraint on a Multiprocessor Platform [11.427019313284]
本稿では,所定の信頼性制約に対する等間隔とエネルギーを最小化するワークフロースケジューリングアルゴリズムを提案する。私たちのアルゴリズムであるMERTとEAFTSは最先端のアプローチよりも優れています。
論文参考訳（メタデータ） (2022-12-19T07:03:04Z)
Communication-Efficient Adam-Type Algorithms for Distributed Data Mining [93.50424502011626]
我々はスケッチを利用した新しい分散Adam型アルゴリズムのクラス(例:SketchedAMSGrad)を提案する。我々の新しいアルゴリズムは、反復毎に$O(frac1sqrtnT + frac1(k/d)2 T)$の高速収束率を$O(k log(d))$の通信コストで達成する。
論文参考訳（メタデータ） (2022-10-14T01:42:05Z)
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)
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)
Dynamic Network-Assisted D2D-Aided Coded Distributed Learning [59.29409589861241]
本稿では,デバイス間のロードバランシングのための新しいデバイス・ツー・デバイス(D2D)支援型符号化学習手法(D2D-CFL)を提案する。最小処理時間を達成するための最適圧縮率を導出し、収束時間との接続を確立する。提案手法は,ユーザが継続的にトレーニングデータを生成するリアルタイム協調アプリケーションに有用である。
論文参考訳（メタデータ） (2021-11-26T18:44:59Z)
Rosella: A Self-Driving Distributed Scheduler for Heterogeneous Clusters [7.206919625027208]
異種クラスタにおけるタスクスケジューリングのための,新たな自律分散アプローチであるRosellaを紹介する。 Rosellaは自動的に計算環境を学習し、スケジューリングポリシーをリアルタイムで調整する。 32ノードのAWSクラスタ上で、さまざまなワークロードでRosellaを評価します。
論文参考訳（メタデータ） (2020-10-28T20:12:29Z)
A Machine Learning Approach for Task and Resource Allocation in Mobile Edge Computing Based Networks [108.57859531628264]
無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
論文参考訳（メタデータ） (2020-07-20T13:46:42Z)

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。