基于深度强化学习的异构集群系统作业能耗感知调度
分布式、并行与集群计算
2019-12-12 v1 机器学习
摘要
能耗是设计计算设备时最关键的关注点之一，范围从便携式嵌入式系统到计算机集群系统。此外，在过去十年中，集群系统日益成为运行计算密集型实时应用的流行平台，其中性能至关重要。然而，由于实时工作负载的不同特性，开发能高效兼顾实时集群系统中能耗与性能的通用作业调度方案是一个具有挑战性的问题。本文受近期将深度强化学习应用于资源管理问题的进展启发，提出 Deep-EAS 调度器，其在最初对调度任务一无所知的情况下，为不同特性的工作负载学习高效的能耗感知调度策略。结果表明，Deep-EAS 收敛迅速，且相较于标准人工调优启发式方法表现更优，尤其在重负载条件下。
引用
@article{arxiv.1912.05160,
title = {Energy-aware Scheduling of Jobs in Heterogeneous Cluster Systems Using Deep Reinforcement Learning},
author = {Amirhossein Esmaili and Massoud Pedram},
journal= {arXiv preprint arXiv:1912.05160},
year = {2019}
}
备注
Accepted in International Symposium on Quality Electronic Design (ISQED), 2020