論文の概要: KernelOracle: Predicting the Linux Scheduler's Next Move with Deep Learning
- arxiv url: http://arxiv.org/abs/2505.15213v1
- Date: Wed, 21 May 2025 07:43:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-22 15:42:59.122639
- Title: KernelOracle: Predicting the Linux Scheduler's Next Move with Deep Learning
- Title（参考訳）: KernelOracle: ディープラーニングによるLinuxスケジューリングの次の動きを予測する
- Authors: Sampanna Yashwant Kahu,
- Abstract要約: 本研究は,CFS(Complettly Fair Scheduler)が選択したタスクの順序を予測するためのディープラーニング手法の先駆者となる。
私たちのコアコントリビューションは、実行中のLinuxカーネルから新しいスケジューリングデータセットを体系的に生成し、キュレーションすることです。
本稿では,そのような予測モデルをカーネルのスケジューリングフレームワークに統合する実践的経路と意義について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Efficient task scheduling is paramount in the Linux kernel, where the Completely Fair Scheduler (CFS) meticulously manages CPU resources to balance high utilization with interactive responsiveness. This research pioneers the use of deep learning techniques to predict the sequence of tasks selected by CFS, aiming to evaluate the feasibility of a more generalized and potentially more adaptive task scheduler for diverse workloads. Our core contributions are twofold: first, the systematic generation and curation of a novel scheduling dataset from a running Linux kernel, capturing real-world CFS behavior; and second, the development, training, and evaluation of a Long Short-Term Memory (LSTM) network designed to accurately forecast the next task to be scheduled. This paper further discusses the practical pathways and implications of integrating such a predictive model into the kernel's scheduling framework. The findings and methodologies presented herein open avenues for data-driven advancements in kernel scheduling, with the full source code provided for reproducibility and further exploration.
- Abstract（参考訳）: 効率的なタスクスケジューリングはLinuxカーネルにおいて最重要であり、Completely Fair Scheduler (CFS)はCPUリソースを慎重に管理し、対話的な応答性と高い利用率のバランスをとる。
この研究は、CFSが選択したタスクのシーケンスを予測するためのディープラーニング技術の利用を開拓し、多様なワークロードに対してより一般化され、より適応的なタスクスケジューラの実現可能性を評価することを目的としている。
まず、実行中のLinuxカーネルから新しいスケジューリングデータセットを体系的に生成、キュレーションし、実世界のCFSの振る舞いをキャプチャし、次に、次のタスクを正確に予測するように設計されたLong Short-Term Memory(LSTM)ネットワークの開発、トレーニング、評価を行います。
本稿では,そのような予測モデルをカーネルのスケジューリングフレームワークに統合する実践的経路と意義について述べる。
ここで提示された発見と方法論は、カーネルスケジューリングにおけるデータ駆動の進歩のためのオープンな道であり、再現性とさらなる探索のための完全なソースコードを提供する。
関連論文リスト
- Prediction-Assisted Online Distributed Deep Learning Workload Scheduling in GPU Clusters [24.845122459974466]
本稿では,A-SRPT(Adaptive Shortest-Remaining-Time-first)スケジューリングアルゴリズムを提案する。
ヘテロジニアスディープニューラルネットワーク(DNN)モデルに対応するグラフとして各ジョブをモデル化することにより、A-SRPTはジョブを利用可能なGPUに戦略的に割り当てる。
A-SRPTは複雑なスケジューリング問題を単一マシンのインスタンスにマッピングし、プリエンプティブな "shortest-remaining-processing-time-first" 戦略によって最適に対処する。
論文 参考訳（メタデータ） (2025-01-09T20:19:01Z) - 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) - Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm [87.47506806135746]
一部のアプリケーションでは、エッジラーニングは、スクラッチから新しい2段階ラーニングへと焦点を移している。
本稿では,2段階のエッジ学習システムにおける共同コミュニケーションと計算資源管理の問題について考察する。
事前学習および微調整段階に対する共同資源管理の提案は,システム性能のトレードオフをうまくバランスさせることが示されている。
論文 参考訳（メタデータ） (2024-04-01T00:21:11Z) - 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) - Partitioning Distributed Compute Jobs with Reinforcement Learning and
Graph Neural Networks [58.720142291102135]
大規模な機械学習モデルは、幅広い分野に進歩をもたらしている。
これらのモデルの多くは、単一のマシンでトレーニングするには大きすぎるため、複数のデバイスに分散する必要がある。
スループットやブロッキングレートといったユーザクリティカルな指標に対して,並列化の最大化が準最適であることを示す。
論文 参考訳（メタデータ） (2023-01-31T17:41:07Z) - Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。
アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。
我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
論文 参考訳（メタデータ） (2022-12-30T12:32:43Z) - Lifelong Bandit Optimization: No Prior and No Regret [70.94238868711952]
我々は,過去の経験から学習することで環境に適応するアルゴリズムであるLIBOを開発した。
カーネルが未知だが、すべてのタスク間で共有されるカーネル構造を仮定する。
我々のアルゴリズムは、任意のカーネル化または線形バンディットアルゴリズムと組み合わせて、最適な性能を保証できる。
論文 参考訳（メタデータ） (2022-10-27T14:48:49Z) - Deep Reinforcement Learning for System-on-Chip: Myths and Realities [0.0]
本稿では,SoC(System-on-Chip)リソース割り当て領域におけるニューラルスケジューラの実現可能性について検討する。
我々の新しいニューラルスケジューラ技術であるEclectic Interaction Matching (EIM)は、上記の課題を克服する。
論文 参考訳（メタデータ） (2022-07-29T10:26:38Z) - End-to-end Kernel Learning via Generative Random Fourier Features [31.57596752889935]
ランダムフーリエ機能(RFF)は、スペクトルケースでのカーネル学習に有望な方法を提供する。
本稿では,カーネル学習と線形学習を統一フレームワークに組み込む一段階プロセスについて考察する。
論文 参考訳（メタデータ） (2020-09-10T00:27:39Z) - DeepSoCS: A Neural Scheduler for Heterogeneous System-on-Chip (SoC)
Resource Scheduling [0.0]
システム・オン・チップ(SoC)システムのための新しいスケジューリングソリューションを提案する。
我々のDeep Reinforcement Learning (DRL)ベースのスケジューリング(DeepSoCS)はルールベースのスケジューラの脆さを克服する。
論文 参考訳（メタデータ） (2020-05-15T17:31:27Z)
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。