Fugu-MT 論文翻訳(概要): Workload Schedulers -- Genesis, Algorithms and Differences

論文の概要: Workload Schedulers -- Genesis, Algorithms and Differences

arxiv url: http://arxiv.org/abs/2511.10258v1
Date: Fri, 14 Nov 2025 01:41:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-14 22:53:22.777786
Title: Workload Schedulers -- Genesis, Algorithms and Differences
Title（参考訳）: Workload Scheduler -- 生成、アルゴリズム、差異
Authors: Leszek Sliwko, Vladimir Getov,
Abstract要約: 本稿では,オペレーティング・システム・プロセス・スケジューラ,クラスタ・システム・ジョブ・スケジューラ,ビッグデータ・スケジューラの3つのクラスについて解説する。提案するスケジューラのクラス間の違いについて論じ,その時系列的展開について論じる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents a novel approach to categorization of modern workload schedulers. We provide descriptions of three classes of schedulers: Operating Systems Process Schedulers, Cluster Systems Jobs Schedulers and Big Data Schedulers. We describe their evolution from early adoptions to modern implementations, considering both the use and features of algorithms. In summary, we discuss differences between all presented classes of schedulers and discuss their chronological development. In conclusion we highlight similarities in the focus of scheduling strategies design, applicable to both local and distributed systems.
Abstract（参考訳）: 本稿では,現代のワークロードスケジューラの分類における新しいアプローチを提案する。本稿では,オペレーティング・システム・プロセス・スケジューラ,クラスタ・システム・ジョブ・スケジューラ,ビッグデータ・スケジューラの3つのクラスについて解説する。アルゴリズムの利用と特徴を考慮し、初期の導入から近代的な実装への進化について述べる。要約して,提案するスケジューラのクラス間の違いについて論じ,その時系列的展開について論じる。結論として、ローカルと分散システムの両方に適用可能なスケジューリング戦略設計の焦点における類似点を強調した。

関連論文リスト

Semantic Scheduling for LLM Inference [48.19648297172146]
大規模言語モデル(LLM)からの要求のスケジューリングにおける意味的スケジューリングの概念を導入する。 LLMベースのプロンプトスケジューリングにおいて、全体の待ち時間を最小化するために、最適な時間複雑性を持つ新しい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） (2025-06-13T20:15:58Z)
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)
Is the GPU Half-Empty or Half-Full? Practical Scheduling Techniques for LLMs [3.7758841366694353]
文献および実用サービスシステムからスケジューリング手法を調査する。文献からのスケジューラは、しばしば優れたパフォーマンスを得るが、かなりの複雑さをもたらす。対照的に、実際のデプロイメントにおけるスケジューラは、しばしばテーブルに簡単にパフォーマンス向上を残しますが、実装、デプロイ、設定が容易です。
論文参考訳（メタデータ） (2024-10-23T13:05:46Z)
Structured Cooperative Learning with Graphical Model Priors [98.53322192624594]
ローカルデータに制限のある分散デバイス上で、さまざまなタスクに対してパーソナライズされたモデルをトレーニングする方法を研究する。本稿では,デバイス間の協調グラフをグラフィカルモデルにより生成する「構造化協調学習(SCooL)」を提案する。 SCooLを評価し,既存の分散学習手法と比較した。
論文参考訳（メタデータ） (2023-06-16T02:41:31Z)
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)
Learning off-road maneuver plans for autonomous vehicles [0.0]
この論文では、オフロード環境での自動運転車のオンライン計画とスケジューリングに機械学習アルゴリズムがもたらすメリットを探求する。異なる計画立案者を支援するための学習ベースを提示する。同期操作を実行するための戦略を合成するために,新しいタイプのスケジューリング制御性と学習支援アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-08-02T16:27:59Z)
ScheduleNet: Learn to solve multi-agent scheduling problems with reinforcement learning [10.16257074782054]
我々は、複数のエージェントを効果的に調整してタスクを完了させる分散意思決定ポリシーであるScheduleNetを学ぶ。各種マルチエージェントスケジューリングタスクの一般的な学習ベーススケジューラとしてのScheduleNetの有効性を検証する。
論文参考訳（メタデータ） (2021-06-06T07:08:58Z)
Learning to schedule job-shop problems: Representation and policy learning using graph neural network and reinforcement learning [9.379652654427959]
グラフニューラルネットワーク(GNN)と強化学習(RL)を用いて,ジョブショップ問題(JSSP)のスケジューリングを学習するフレームワークを提案する。我々は、GNNスケジューラが、その超一般化能力により、様々なベンチマークJSSP上で、現実的に好まれるルールやRLベースのスケジューラよりも優れていることを実証的に示す。
論文参考訳（メタデータ） (2021-06-02T11:40:22Z)
A Two-stage Framework and Reinforcement Learning-based Optimization Algorithms for Complex Scheduling Problems [54.61091936472494]
本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
論文参考訳（メタデータ） (2021-03-10T03:16:12Z)
Tailored Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud System [54.588242387136376]
エッジクラウドシステムのための学習ベースのスケジューリングフレームワークkaisを紹介する。まず,分散した要求ディスパッチに対応するために,協調型マルチエージェントアクタ-クリティックアルゴリズムを設計する。次に,多種多様なシステムスケールと構造について,グラフニューラルネットワークを用いてシステム状態情報を埋め込む。第3に、リクエストディスパッチとサービスオーケストレーションを調和させる2段階のスケジューリングメカニズムを採用します。
論文参考訳（メタデータ） (2021-01-17T03:45:25Z)

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。