基于马尔可夫决策过程自适应状态空间划分的弹性资源管理
分布式、并行与集群计算
2017-02-13 v1
摘要
现代大规模计算部署由运行在机器集群上的复杂应用组成。其中一个重要问题是提供弹性，即动态分配资源给应用以满足波动的工作负载需求。通常采用基于阈值的方法，但它们难以配置和优化。已有基于强化学习的方法被提出，但它们需要大量状态以建模复杂应用行为。已有自适应划分状态空间的方法被提出，但其划分准则和策略并非最优。在这项工作中，我们提出MDP_DT，一种新颖的基于完整模型的强化学习算法，用于弹性资源管理，采用自适应状态空间划分。我们提出了两个新颖的统计准则和三种策略，并通过实验证明它们能正确决定在何处以及何时进行划分，优于现有方法。我们在真实大规模集群上针对可变且未遇到过的工作负载对MDP_DT进行了实验评估，结果表明与静态和无模型方法相比，它做出了更明智的决策，同时需要最少量的训练数据。
引用
@article{arxiv.1702.02978,
title = {Elastic Resource Management with Adaptive State Space Partitioning of Markov Decision Processes},
author = {Konstantinos Lolos and Ioannis Konstantinou and Verena Kantere and Nectarios Koziris},
journal= {arXiv preprint arXiv:1702.02978},
year = {2017}
}