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。
大規模データ分析フレームワークの数の増加は,低待ち時間保証を狙って,より大きな並列性に向けて移動する。タスク依存性とジョブ異質性のために,低い待ち時間と高い資源利用を有するスケジューラを設計するのは,挑戦的である。クラウド/データセンタにおける最先端のスケジューラは,低待ち時間と高資源利用を同時に達成するために,依存性制約(例えば,ジョブのタスク間の依存性)を持つ異種ジョブのスケジューリングを良好に取り扱うことができない。重要課題は,集中スケジューラのスケーラビリティ,無効で非効率なプロービング,および分散とハイブリッドスケジューラの両方における資源共有にある。この課題に取り組むために,著者らは,クラウドにおける制約(例えば,ジョブのタスク間の依存性制約)を有する不均一ジョブのための低待ち時間と資源効率的スケジューリングを提案する。Fregataは最初に機械学習アルゴリズムを使用し,抽出した特徴に基づいて,ジョブを2つのカテゴリー(高優先度ジョブと低優先度ジョブ)に分類する。次に,Fregataはタスクにジョブを分割し,タスク依存性とマスタノードの負荷に基づいてマスタノードにタスクを配布する。次に,Fregataは,タスク優先度(より依存したタスクを持つタスクがより高い優先度を持つタスク)を決定するためにタスクの依存情報を利用し,異なる資源タイプとタスク依存性に関するタスク要求の補完をレバーすることによって,パックタスクをパックする。最後に,マスタノードは,タスクと労働者の優先度とタスクの資源要求と労働者の利用可能な資源に基づいて,システムにおける労働者にタスクを配布する。Fregataの性能を試験するために,トレース駆動実験を行った。実クラスタとアマゾンEC2クラウドサービスに基づく大規模な実験結果は,Fregataが既存のスケジューラと比較して低い待ち時間と高い資源利用を達成することを示した。Copyright 2022 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】
