面向云环境中可靠性与截止时间保障的工作流调度的能耗最小化
计算机视觉与模式识别
2025-11-06 v2
摘要
随着计算密集型工作流在云环境中日益普及，云平台优化能源消耗，同时确保用户工作流计划在严格截止时间和可靠性约束下可行，变得至关重要。当云系统提供具有不同可靠性、能耗、处理频率和计算能力的虚拟机来执行这些工作流任务时，面临的关键挑战便随之而来。为此，我们提出一种基于最大 fan-out 比例的自适应策略，考虑任务的松弛度和截止时间分布，用于单一云平台上的工作流调度，旨在最小化能源消耗，同时确保严格的可靠性和截止时间约束。我们还提出一种基于滚动 horizons 概念的工作流动态调度方法，考虑工作流任务的动态执行时间——在大多数情况下，实际运行时的任务执行时间小于最坏情况执行时间。我们提出的静态方法在无截止时间约束的场景下相较于最先进方法(SOTA)平均提升最高达70%；在受截止时间约束的情形下实现约2%的改进。动态变体表现更为出色，在无截止时间场景下超越SOTA最高达82%，在强制执行截止时间约束时平均提升最高达27%。此外，与静态最优解相比较，我们的静态方法的结果在1.1的因子范围内，而动态方法平均超过最优基线25%。
引用
@article{arxiv.2505.16495,
title = {ALTo: Adaptive-Length Tokenizer for Autoregressive Mask Generation},
author = {Lingfeng Wang and Hualing Lin and Senda Chen and Tao Wang and Changxu Cheng and Yangyang Zhong and Dong Zheng and Wuyue Zhao},
journal= {arXiv preprint arXiv:2505.16495},
year = {2025}
}