H2O-Cloud：面向仓库级数据中心的资源与服务 quality 感知任务调度框架——一种基于分层混合DRL（深度强化学习）的方法
分布式、并行与集群计算
2020-02-13 v3
摘要
近年来，云计算吸引了终端用户与云服务提供商（CSPs）。对于拥有仓库级数据中心的 CSPs 而言，在保持服务质量（QoS）的同时提高资源利用率（RUtR，如服务器上的 CPU 与内存使用率）是一个关键挑战。已有工作提出了多种算法来降低能耗或提升 RUtR，但它们要么缺乏细粒度任务调度能力，要么未能综合考虑系统模型。本文提出 H2O-Cloud，一种面向仓库级 CSPs 的分层混合在线任务调度框架，以在保持 QoS 的同时提升资源使用效率。H2O-Cloud 具有高可扩展性，并综合考虑了各类工作负载场景、云平台配置、用户请求信息与动态定价模型等信息。该框架的分层性与混合性，结合其深度强化学习（DRL）引擎，使 H2O-Cloud 能够在不可预测环境中无需预训练即可高效开展即时调度与学习。我们的实验证实，在保持 QoS 的前提下，相较于基线方法，所提 H2O-Cloud 在能耗与成本方面具有高效率。与最先进的基于 DRL 的算法相比，H2O-Cloud 实现了高达 201.17% 的能耗成本效率提升、47.88% 的能效提升与 551.76% 的奖励率提升。
引用
@article{arxiv.1912.10808,
title = {H2O-Cloud: A Resource and Quality of Service-Aware Task Scheduling Framework for Warehouse-Scale Data Centers -- A Hierarchical Hybrid DRL (Deep Reinforcement Learning) based Approach},
author = {Mingxi Cheng and Ji Li and Paul Bogdan and Shahin Nazarian},
journal= {arXiv preprint arXiv:1912.10808},
year = {2020}
}
备注
12 pages, 5 figures. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. 2019 Jul 23