論文の概要: GATES: Cost-aware Dynamic Workflow Scheduling via Graph Attention Networks and Evolution Strategy

• arxiv url: http://arxiv.org/abs/2505.12355v2
• Date: Tue, 20 May 2025 01:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 12:33:37.425074
• Title: GATES: Cost-aware Dynamic Workflow Scheduling via Graph Attention Networks and Evolution Strategy
• Title（参考訳）: GATES: グラフアテンションネットワークによるコスト対応動的ワークフロースケジューリングと進化戦略
• Authors: Ya Shen, Gang Chen, Hui Ma, Mengjie Zhang,
• Abstract要約: コスト対応の動的スケジューリング(CADWS)はクラウドコンピューティングにおける重要な課題である。 深部強化学習(DRL)は、自動スケジューリングポリシー設計に広く用いられている。 本研究では,グラフアテンションネットワークに基づくポリシーネットワークと,GATESと呼ばれる進化戦略を組み合わせた新しいDRL手法を提案する。
• 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: Cost-aware Dynamic Workflow Scheduling (CADWS) is a key challenge in cloud computing, focusing on devising an effective scheduling policy to efficiently schedule dynamically arriving workflow tasks, represented as Directed Acyclic Graphs (DAG), to suitable virtual machines (VMs). Deep reinforcement learning (DRL) has been widely employed for automated scheduling policy design. However, the performance of DRL is heavily influenced by the design of the problem-tailored policy network and is highly sensitive to hyperparameters and the design of reward feedback. Considering the above-mentioned issues, this study proposes a novel DRL method combining Graph Attention Networks-based policy network and Evolution Strategy, referred to as GATES. The contributions of GATES are summarized as follows: (1) GATES can capture the impact of current task scheduling on subsequent tasks by learning the topological relationships between tasks in a DAG. (2) GATES can assess the importance of each VM to the ready task, enabling it to adapt to dynamically changing VM resources. (3) Utilizing Evolution Strategy's robustness, exploratory nature, and tolerance for delayed rewards, GATES achieves stable policy learning in CADWS. Extensive experimental results demonstrate the superiority of the proposed GATES in CADWS, outperforming several state-of-the-art algorithms. The source code is available at: https://github.com/YaShen998/GATES.
• Abstract（参考訳）: コストを意識した動的ワークフロースケジューリング(CADWS)はクラウドコンピューティングにおいて重要な課題であり、動的に到着するワークフロータスクを動的にスケジュールする効果的なスケジューリングポリシーを考案することに焦点を当てている。 深部強化学習(DRL)は、自動スケジューリングポリシー設計に広く用いられている。 しかし、DRLの性能は、問題調整ポリシーネットワークの設計に大きく影響され、ハイパーパラメータや報酬フィードバックの設計に非常に敏感である。 本稿では,グラフ注意ネットワークに基づくポリシーネットワークと,GATESと呼ばれる進化戦略を組み合わせたDRL手法を提案する。 1)DAGにおけるタスク間のトポロジ的関係を学習することにより、現在のタスクスケジューリングがその後のタスクに与える影響を把握できる。 2) GATESは各VMのタスクに対する重要性を評価し、動的に変化するVMリソースに適応できるようにします。 (3)進化戦略の堅牢性,探索的性質,遅延報酬に対する寛容性を生かして,CADWSにおける安定的な政策学習を実現する。 CADWS における提案した GATES の優位性を示し,いくつかの最先端アルゴリズムより優れていた。 ソースコードは、https://github.com/YaShen998/GATES.comで入手できる。

関連論文リスト

• Improving Large Language Model Planning with Action Sequence Similarity [50.52049888490524]
  本研究では,インコンテキスト学習(ICL)によるモデル計画能力の向上について検討する。 GRASE-DC は2段階のパイプラインで,まず高効率のAS例を再サンプリングし,選択した例をキュレートする。 実験の結果,GRASE-DCは様々な計画タスクにおいて大幅な性能向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-05-02T05:16:17Z)
• Plan-over-Graph: Towards Parallelable LLM Agent Schedule [53.834646147919436]
  大規模言語モデル(LLM)はタスク計画の推論において例外的な能力を示した。 本稿では,まず実生活のテキストタスクを実行可能なサブタスクに分解し,抽象的なタスクグラフを構築する,新しいパラダイムであるプランオーバーグラフを提案する。 モデルはこのタスクグラフを入力として理解し、並列実行計画を生成する。
  論文  参考訳（メタデータ） (2025-02-20T13:47:51Z)
• TS-EoH: An Edge Server Task Scheduling Algorithm Based on Evolution of Heuristic [0.6827423171182154]
  本稿では,EC理論と進化的アルゴリズムに基づく新しいタスクスケジューリング手法を提案する。 実験の結果,タスクスケジューリングアルゴリズムは従来の強化学習法よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-04T10:00:32Z)
• Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
  言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。 本稿では,課題計画のためのグラフ学習に基づく手法について検討する。 我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
  論文  参考訳（メタデータ） (2024-05-29T14:26:24Z)
• Efficient Orchestrated AI Workflows Execution on Scale-out Spatial Architecture [17.516934379812994]
  さまざまなタスクをロジック駆動型決定と統合し、動的で洗練されたAIを提供する。 我々は,オーケストレーションされた空間グラフを用いて,オーケストレーションされたAIの本質的なデュアルダイナミクスを効果的に表現できることを見出した。 我々の評価は、オーケストレーションAIの動的な要求に対処する上で、従来のアーキテクチャよりも大幅に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-21T14:09:31Z)
• Edge Generation Scheduling for DAG Tasks Using Deep Reinforcement Learning [2.365237699556817]
  直接非巡回グラフ(DAG)タスクは現在、複雑なアプリケーションをモデル化するためにリアルタイムドメインで採用されている。 エッジを反復的に生成することでDAG幅を最小化する新しいDAGスケジューリングフレームワークを提案する。 我々は,提案アルゴリズムの有効性を,最先端DAGスケジューリングと最適混合整数線形プログラミングベースラインとの比較により評価した。
  論文  参考訳（メタデータ） (2023-08-28T15:19:18Z)
• 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 Dynamic Graph Representation Learning at Scale [66.62859857734104]
  本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。 EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2021-12-14T22:24:53Z)

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。