文献

J-GLOBAL ID：201902283497019815   整理番号：19A2696151

SCARL:多資源異種クラスタにおける注意強化学習に基づくスケジューリング【JST・京大機械翻訳】

SCARL: Attentive Reinforcement Learning-Based Scheduling in a Multi-Resource Heterogeneous Cluster

著者 (4件)： Cheong Mukoe (Department of Software, Sungkyunkwan University, Suwon, South Korea) ,  Lee Hyunsung (Department of Electrical and Computer Engineering, Sungkyunkwan University, Suwon, South Korea) ,  Yeom Ikjun (Department of Software, Sungkyunkwan University, Suwon, South Korea) ,  Woo Honguk (Department of Software, Sungkyunkwan University, Suwon, South Korea)
資料名： IEEE Access  (IEEE Access)
巻： 7  ページ： 153432-153444  発行年： 2019年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 高度強化学習(RL)技術は,クラスタ操作の反復ログを利用することにより,スケールでクラスタ管理におけるいくつかのタスクを自動化する機会を最近増加させ,資源割当とジョブスケジューリングのための学習モデルを構築する。しかし,クラスタ管理の領域でRLを採用するこの傾向は,現代のクラスタ環境におけるジョブとマシンの多様性と不均一性を完全に扱わなかった。本論文において,著者らは,マルチ資源クラスタのためのRLに基づくスケジューラ,すなわち,異なる資源要求と能力を有する複雑なクラスタ操作条件に集中して,SCARL(Attentive Reinstration Learningを有するスケジューラ)を提示した。具体的には,RL処理におけるジョブとマシンの時間変化相互依存性を効率的に組み込むことにより,注意的な埋め込みとfacto動作スケジューリングを採用した。それらは,異種機械上で多様なジョブをスケジューリングするためのエンドツーエンドスケーラブルポリシーを可能にする。著者らの知る限り,著者らは,RLベースのクラスタ資源管理における注意機構を最初に採用した。実験を通して,著者らのアプローチは,様々なクラスタシミュレーション構成の下で既存の発見的方法と競合することを実証した。例えば,最短ジョブ第一アルゴリズム上での減速における平均9.2%の増強である。さらに,この手法は,実トレースに基づく合成作業負荷を実行するためのテストクラスタを用いて安定した性能をもたらす。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 資源割付 ,  *強化学習 ,  *スケジューリング ,  自動化 ,  発見的方法 ,  管理 ,  *クラスタ ,  資源管理 ,  経時変化 ,  学習モデル ,  不均一性 ,  アルゴリズム
準シソーラス用語： 相互依存性 ,  スケジューラ ,  ジョブスケジューリング , 【Automatic Indexing@JST】

分類 (3件)： 数値計算  (JE02000J) ,  図形・画像処理一般  (JE04010I) ,  移動通信  (ND08030H)

タイトルに関連する用語 (5件)： 資源 ,  クラスタ ,  注意 ,  強化学習 ,  スケジューリング