抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械学習(ML)の急速な増殖と最新のプラットフォーム上で走る深層学習(DL)アプリケーションにより,デッドラインを満足し,精度を確保するようなアプリケーション性能要求を満たすことが重要である。この目的のために,研究者はMLクラスタのためのいくつかのジョブスケジューラを提案した。しかし,以前に提案したスケジューラはMLモデル並列性を考慮していないが,大規模MLとDLジョブの運転効率を増加させるためのアプローチとして提案されている。したがって,本論文では,データ並列性とモデル並列MLジョブの両方を実行するMLクラスタのためのMLジョブ特徴ベースのジョブスケジューリングシステム(MLFS)を提案する。MLFSは,最初に,ジョブ完了時間(JCT)と精度性能を改良するために,ジョブ待ち行列順序付けのためのタスク優先度を決定するために,MLジョブの空間と時間特性を考慮する発見的スケジューリング方式を使用する。それは,深い強化学習(RL)モデルを訓練するための発見的スケジューリング方法からのデータを使用する。RLモデルがよく訓練された後に,次に,それは,ジョブスケジューリングに関する決定を自動的に行うために,RL方式に切り替える。さらに,MLFSは,タスク優先度に基づく過負荷サーバに移動するために過負荷サーバからタスクを選択するシステム負荷制御方法を持ち,また,システムが,ジョブデッドラインによってJCTと精度を改善するために負荷されたとき,所望の精度性能に関して,ほとんどまたは全く改善しないタスクを知的に除去する。実際のトレースに基づく実実験および大規模シミュレーションは,MLFSがJCTを最大53%まで減らし,そして,既存のMLジョブスケジューラと比較して,最大52%まで実行時間を,最大64%まで改善することを示した。また,著者らのコードを公開した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】