基于强化学习的分解式数据中心系统资源分配
机器学习
2021-11-12 v2
摘要
资源分解式数据中心（RDDC）提出了一种以资源为中心、高利用率的数据中心（DC）架构，避免了资源碎片，并能够将任意大小的资源池分配给任务，而非仅以服务器为单位。RDDC 通常对网络提出更高要求，需要更多基础设施并增加成本与功耗，因此亟需能够协同管理服务器与网络资源的新型资源分配算法，以确保分配不受网络瓶颈限制，并以最小网络资源成功服务请求。我们首次将强化学习（RL）应用于该问题，并表明基于图神经网络的 RL 策略能够端到端地学习资源分配策略，在接纳率、CPU 和内存利用率上分别比以往手工设计的启发式算法高出 22.0%、42.6% 和 22.6%，在扩展到比训练时多 节点的 RDDC 拓扑时仍保持性能，并且在使用 更少网络资源的情况下达到与最佳基线相当的performance。
引用
@article{arxiv.2106.02412,
title = {Resource Allocation in Disaggregated Data Centre Systems with Reinforcement Learning},
author = {Zacharaya Shabka and Georgios Zervas},
journal= {arXiv preprint arXiv:2106.02412},
year = {2021}
}
备注
5 content pages, 3 appendix pages, 1 tables, 2 figures