用于高性能计算即服务（HPCaaS）云环境主动监控的机器学习算法
分布式、并行与集群计算
2020-09-29 v1 机器学习
摘要
云计算提供对海量可重构资源的普适且按需的访问，可满足任何计算需求。现有多种服务模型，其中基础设施即服务（IaaS）模型特别适合通过联网大量云计算节点来作为高性能计算（HPC）平台运行。我们使用太平洋西北国家实验室（PNNL）的云计算环境进行实验。诸多云计算提供商如Amazon Web Services、Microsoft Azure或IBM Cloud提供灵活且可扩展的计算资源。本文探讨了在配置为HPC平台的云基础设施上，利用隐私保护特征作为统计模型输入来识别工程应用类型可行性。本工作考虑的工程应用包括由洛斯阿拉莫斯国家实验室开发的辐射输运代码MCNP6、开源计算流体动力学代码OpenFOAM，以及用于素数分解的一般数域筛算法数值实现CADO-NFS。我们的实验使用OpenStack云管理工具创建云HPC环境，并以隐私保护的Ceilometer计费计量作为分类特征，以展示对这些应用的识别。
引用
@article{arxiv.2009.12498,
title = {Machine Learning Algorithms for Active Monitoring of High Performance Computing as a Service (HPCaaS) Cloud Environments},
author = {Gianluca Longoni and Ryan LaMothe and Jeremy Teuton and Mark Greaves and Nicole Nichols and William Smith},
journal= {arXiv preprint arXiv:2009.12498},
year = {2020}
}
备注
9 pages, 13 figures, 6 tables