文献

J-GLOBAL ID：202102290124683094   整理番号：21A0894475

Metis:規模での共有コンテナクラスタにおける長期継続アプリケーションをスケジュールするための学習【JST・京大機械翻訳】

Metis: Learning to Schedule Long-Running Applications in Shared Container Clusters at Scale

著者 (5件)： Wang Luping (Hong Kong University of Science and Technology) ,  Weng Qizhen (Hong Kong University of Science and Technology) ,  Wang Wei (Hong Kong University of Science and Technology) ,  Chen Chen (Hong Kong University of Science and Technology) ,  Li Bo (Hong Kong University of Science and Technology)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： SC  ページ： 1-17  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： オンラインクラウドサービスは,コンテナにおける長期運転応用(LRAs)としてますます展開されている。LRAコンテナは,しばしば洗練された資源干渉とI/O依存性を持つので,難しいことが知られている。既存のスケジューラは,コンテナスケジューリング要求を配置制約として手動で表現し,できるだけ多くの制約を満足させるために,オペレータに依存する。しかし,そのようなスケジューラは,配置制約が定性的スケジューリングガイドラインのみを提供し,制約違反を最小化するだけでは,必ずしも最適性能をもたらさないので,性能が短い。本研究では,深層強化学習(RL)技術を用いてLRAコンテナを最適に配置する汎用スケジューラであるMetisを提案した。これは,配置制約の複雑な手動仕様を除去し,コンクリートの定量的スケジューリング基準を初めて提供する。RLエージェントを直接訓練することはスケールしないので,複雑なコンテナ配置問題を,著しく低減した状態と行動空間を持つ部分問題の階層に分解する新しい階層的学習技術を開発した。多くのサブ問題は類似の構造を持ち,従って統一RLエージェントオフラインの訓練により解決できることを示した。大規模EC2展開は,従来の制約ベーススケジューラと比較して,Metisがスループットを61%まで改善し,様々な性能メトリックを最適化し,700以上のマシン上で3Kコンテナランを走行する大きなクラスタに容易にスケールできることを示した。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： 干渉 ,  最適化 ,  *学習 ,  *コンテナ ,  スケジューリング ,  オペレータ ,  コンクリート ,  配置問題 ,  *クラスタ ,  *応用プログラム ,  スループット ,  エージェント
準シソーラス用語： スケジューラ ,  オンライン ,  クラウドサービス , 【Automatic Indexing@JST】

分類 (3件)： 医用画像処理  (JE04020T) ,  NMR一般  (BM07041R) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (9件)： 規模 ,  共有 ,  コンテナ ,  クラスタ ,  長期 ,  継続 ,  アプリケーション ,  スケジュール ,  学習