文献

J-GLOBAL ID：202102285439123546   整理番号：21A0894441

RLScheduler:強化学習を用いた自動HPCバッチジョブスケジューラ【JST・京大機械翻訳】

RLScheduler: An Automated HPC Batch Job Scheduler Using Reinforcement Learning

著者 (5件)： Zhang Di (University of North Carolina at Charlotte,Computer Science Department) ,  Dai Dong (University of North Carolina at Charlotte,Computer Science Department) ,  He Youbiao (Iowa State University,Computer Science Department) ,  Bao Forrest Sheng (Iowa State University,Computer Science Department) ,  Xie Bing (Oak Ridge Leadership Computing Facility,Oak Ridge National Laboratory)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： SC  ページ： 1-15  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 今日の高性能コンピューティング(HPC)プラットフォームは,まだバッチジョブによって支配されている。従って,効果的なバッチジョブスケジューリングは,高いシステム効率を得るために重要である。既存のHPCバッチジョブスケジューラは,通常,ジョブを優先してスケジュールするために発見的優先度関数を利用する。しかし,専門家によって構成され,展開された場合,そのような優先度関数は,ジョブ負荷,最適化目標,またはシステム設定の変化に殆ど適応できず,変化が起こるとき,潜在的に劣化システム効率をもたらす。この基本的な課題に取り組むために,強化学習に構築された自動化HPCバッチジョブスケジューラであるRLSchedulerを提案した。RLSスケジューリングは最小マニュアル介入またはエキスパート知識に依存するが,それ自身の連続的‘試験と誤差を介して高品質スケジューリング政策を学習できる。著者らは,学習プロセスを改善し安定化するために,RLSchedulerにおける新しいカーネルベースのニューラルネットワーク構造および軌道フィルタリング機構を導入した。広範な評価を通して,RLSchedulerは,比較的少ない計算コストで様々な作業負荷と様々な最適化目標に向けて高品質スケジューリングポリシーを学習できることを確認した。さらに,学習されたモデルは,非意味の作業負荷に適用された場合でも安定的に機能し,生産利用に実用的であることを示した。Copyright 2021 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： 最適化 ,  自動化 ,  スケジューリング ,  ニューラルネットワーク ,  フィルタリング ,  *強化学習 ,  優先度
準シソーラス用語： 学習過程 ,  高性能コンピューティング ,  システム効率 ,  計算コスト ,  高品質 ,  ジョブスケジューリング , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： 強化学習 ,  HPC