論文の概要: Cloud Workflow Scheduling Based on Graph Attention-Driven Hierarchical Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.14952v1
• Date: Mon, 14 Sep 2026 02:50:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.036468
• Title: Cloud Workflow Scheduling Based on Graph Attention-Driven Hierarchical Reinforcement Learning
• Title（参考訳）: グラフアテンション駆動階層型強化学習に基づくクラウドワークフロースケジューリング
• Abstract要約: 本稿では,GA-HRL(Graph Attention-Driven Reinforcement Learning)フレームワークとモデルスケジューリングプロセスを開発する。 タスク実行速度、配置に依存した通信、タスクとコンテナの決定の結合に対処しながら、納期満足度、コンテナ利用、エネルギー消費のバランスを取る。 2018年のAlibabaクラスタトレースの実験によると、GA-HRLは競争力のあるワークフローの成功率を維持しており、成功率が同等な環境では、コンテナの利用率の向上とエネルギー消費量の削減を実現している。
• 参考スコア（独自算出の注目度）: 10.978371228753518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic cloud workflow scheduling must balance deadline satisfaction, container utilization, and energy consumption while dealing with stochastic task-execution speeds, placement-dependent communication, and coupled task and container decisions. Workflows are naturally modeled as directed acyclic graphs (DAGs), but conventional vector- or matrix-based states do not fully capture their dependency topology. To better represent task urgency and structural relationships, we assign predicted sub-deadlines to tasks and use a multi-head graph attention network (GAT) to extract dependency information from the evolving DAGs. Based on these representations, we develop a Graph Attention-Driven Hierarchical Reinforcement Learning (GA-HRL) framework and model the scheduling process as an event-driven hierarchical semi-Markov decision process (SMDP). Workflow arrivals and task completions trigger scheduling events. At each scheduling event, the Task Scheduling (TS) agent first processes the currently ready tasks by assigning them to admissible existing containers or requesting new ones. The requested containers are then processed by the Container Scheduling (CS) agent for host placement before the environment advances. The two agents are trained alternately using separate Proximal Policy Optimization (PPO). Experiments on the 2018 Alibaba cluster trace show that GA-HRL maintains competitive workflow success rate and, in settings where success is comparable, generally achieves higher container utilization and lower energy consumption. Under the largest speed variation, it trades a small success-rate margin for substantially lower energy. Simulation code is available at: https://github.com/zongjin130/GA-HRL.
• Abstract（参考訳）: 動的クラウドワークフローのスケジューリングは、確率的なタスク実行速度、配置に依存した通信、タスクとコンテナの決定の結合を扱う間、納期満足度、コンテナ利用、エネルギー消費のバランスをとる必要がある。 ワークフローは自然に有向非巡回グラフ(DAG)としてモデル化されるが、従来のベクトルや行列ベースの状態は依存トポロジーを完全に捉えていない。 タスクの緊急度と構造的関係をよりよく表すために,予測されたサブデッドラインをタスクに割り当て,マルチヘッドグラフアテンションネットワーク(GAT)を用いて,進化するDAGから依存性情報を抽出する。 これらの表現に基づいて、グラフ注意駆動型階層強化学習(GA-HRL)フレームワークを開発し、イベント駆動型階層的半マルコフ決定プロセス(SMDP)としてスケジューリングプロセスをモデル化する。 ワークフローの到着とタスクの完了がスケジューリングイベントをトリガーする。 各スケジューリングイベントでは、タスクスケジューリング(TS)エージェントがまず、許容可能な既存のコンテナに割り当てたり、新しいタスクを要求することで、現在準備されているタスクを処理します。 リクエストされたコンテナは、環境が進む前にホスト配置のためのContainer Scheduling (CS)エージェントによって処理される。 2つのエージェントは、個別のPPO(Proximal Policy Optimization)を使用して、交互に訓練される。 2018年のAlibabaクラスタトレースの実験によると、GA-HRLは競争力のあるワークフローの成功率を維持しており、成功率が同等な環境では、コンテナの利用率の向上とエネルギー消費量の削減が一般的に達成されている。 最大の速度変化の下では、成功率のマージンをかなり低いエネルギーで取引する。 シミュレーションコードは、https://github.com/zongjin130/GA-HRL.comで公開されている。

関連論文リスト

• Inference-Time Graph Engineering for Multi-Agent LLM Workflows [51.56038180639833]
  ReActNetは、クエリとロール特化エージェントのセットを一連の有向通信グラフにコンパイルする、トレーニング不要のフレームワークである。 ReActNetは、競争的推論コストを維持しつつ、固定トポロジと学習トポロジのベースラインを一貫して改善することを示す。
  論文  参考訳（メタデータ） (2026-09-04T23:32:11Z)
• Global Simulation-Guided Dynamic Operator Scheduling for Efficient Multi-Tenant Model Serving [13.853492308825052]
  マルチテナントモデルサービスのための動的演算子レベルスケジューリングシステムであるSliceSchedulerを提案する。 鍵となるアイデアは、クラスタ全体のオペレータの実行状態を公開し、スケジュール決定よりも推論を有効にすることだ。 我々はSliceSchedulerが既存のアプローチと比較してトークンのスループットを1.10～2.29$times$で改善していることを示す。
  論文  参考訳（メタデータ） (2026-08-16T14:31:56Z)
• Hybrid Workflow Composition for Extreme-Scale Data Processing: A Case Study on the HL-LHC (Extended Version) [0.5156484100374059]
  本稿では,タスクセットの粒度とシステムレベルの制約の相互作用を特徴付けるための新しいシミュレーションフレームワークを提案する。 その結果、ハイブリッド合成戦略はスループットを最大3.8倍に向上し、ネットワークオーバーヘッドを14.9倍削減できることがわかった。
  論文  参考訳（メタデータ） (2026-07-29T13:07:31Z)
• GraphFlow: A Graph-Based Workflow Management for Efficient LLM-Agent Serving [27.270604867405325]
  GraphFlowは、2つのキーデザインを通じてエージェントに効率的に統合するシステムである。 常に最先端の手法を上回り、平均性能は4.95ポイント向上した。
  論文  参考訳（メタデータ） (2026-05-21T14:45:40Z)
• Chimera: Latency- and Performance-Aware Multi-agent Serving for Heterogeneous LLMs [62.17306142810532]
  ヘテロジニアスLSMクラスタ上で動作するマルチエージェントワークフローの予測スケジューリングシステムであるChimeraを提案する。 Chimeは最高のレイテンシをトレースし、エンドツーエンドのレイテンシを1.2-2.4$times$で削減し、タスクパフォーマンスを平均8.0-9.5ポイント改善する。
  論文  参考訳（メタデータ） (2026-03-23T17:01:42Z)
• Astraea: A State-Aware Scheduling Engine for LLM-Powered Agents [12.884297990127985]
  Astraeaは、最適化をローカルセグメントからグローバルリクエストライフサイクルに移行するように設計されたサービスエンジンである。 これは、リクエストの履歴状態と将来の予測を統合する、ステートアウェアで階層的なスケジューリングアルゴリズムを採用している。 Astraea は平均 JCT を基準法に比べて 25.5% 削減する。
  論文  参考訳（メタデータ） (2025-12-16T06:55:10Z)
• Cloud-Fog-Edge Collaborative Computing for Sequential MIoT Workflow: A Two-Tier DDPG-Based Scheduling Framework [2.5263430338308557]
  Medical Internet of Things(MIoT)は、異質なクラウドフォッグエッジインフラストラクチャ上にデプロイされたシーケンシャルなヘルスケアに対して、厳しいエンドツーエンドのレイテンシ保証を要求する。 本稿では,スケジューリング決定を階層的なプロセスに分解する2層DDPGベースのスケジューリングフレームワークを提案する。 実験の結果、我々のアプローチを検証し、複雑さが増大するにつれて、ベースラインよりもパフォーマンスが向上することを示した。
  論文  参考訳（メタデータ） (2025-10-24T03:58:31Z)
• DyFlow: Dynamic Workflow Framework for Agentic Reasoning [79.19799197382478]
  DyFlowは動的ワークフロー生成フレームワークで、タスク要求とリアルタイム中間フィードバックに基づいて推論手順を適応的に構築し、調整する。 社会的推論,生物医学的タスク,数学的問題解決,コード生成など,さまざまな領域でDyFlowを体系的に評価する。 結果は、DyFlowが既存のベースラインを大幅に上回り、Pass@kの改善を実現し、さまざまなドメインにわたって堅牢な一般化を示すことを示した。
  論文  参考訳（メタデータ） (2025-09-30T10:36:23Z)
• Instance-Aware Graph Prompt Learning [71.26108600288308]
  本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。 このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。 複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-11-26T18:38:38Z)
• 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)
• 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。

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。