GiPH：面向自适应异构计算的可泛化布局学习
机器学习
2023-05-25 v1 系统与控制
系统与控制
摘要
将计算应用谨慎地放置于目标设备集群中对实现低应用完成时间至关重要。由于其 NP 难特性与组合性质，该问题极具挑战性。近年来，受将神经网络跨云服务器放置问题的启发，人们提出了基于学习的方法来学习可应用于未见应用的布局策略。然而，这些方法通常假设设备集群是固定的，而在移动或边缘计算场景中，异构设备会进出特定应用的范围，情况并非如此。我们提出一种称为 GiPH 的新学习方法，通过以下方式学习可泛化至动态设备集群的策略：1）一种新颖的图表示 gpNet，高效编码选择良好布局所需的信息；2）一种可扩展的图神经网络（GNN），学习 gpNet 信息的摘要。GiPH 将布局问题转化为寻找一系列布局改进，学习用于选择该序列的策略，可扩展至任意规模的问题。我们使用广泛的任务图与设备集群评估 GiPH，表明我们学习的策略能为新问题实例快速找到良好布局。GiPH 找到的布局完成时间降低高达 30.5%，搜索速度比其他基于搜索的布局策略快至多 3 倍。
引用
@article{arxiv.2305.14562,
title = {GiPH: Generalizable Placement Learning for Adaptive Heterogeneous Computing},
author = {Yi Hu and Chaoran Zhang and Edward Andert and Harshul Singh and Aviral Shrivastava and James Laudon and Yanqi Zhou and Bob Iannucci and Carlee Joe-Wong},
journal= {arXiv preprint arXiv:2305.14562},
year = {2023}
}
备注
to be published in Proceedings of Machine Learning and Systems 5 (MLSys 2023)