May, 2022

MetaNet: 云环境中自动化动态调度策略的选择

PDF
TL;DR本研究旨在使用元模型 MetaNet 来解决在线动态选择调度策略的问题，以优化任务调度和执行成本。相比于现有的深度学习调度器，MetaNet 能使执行成本、能源消耗、响应时间和服务水平协议的违规率分别提高 11、43、8 和 13％左右。
task schedulingcloud computingdeep neural networkmetanetresource management
发现论文，激发创造
  • 加强基于深度学习和强化学习技术的 Kubernetes 自动调度以优化大规模云计算

    基于深度学习和强化学习的大规模云计算系统自动任务调度方案的研究和验证。

    Feb, 2024

  • ScheduleNet: 用强化学习解决多智能体排班问题

    提出了一种基于强化学习的实时调度器 ScheduleNet，它可以解决各种类型的多智能体调度问题，其中包括多销售员旅行问题（mTSP）和作业车间调度问题（JSP），并且采用类型感知图注意力（TGA）提取节点嵌入以计算任务分配概率。

    Jun, 2021

  • 一种新颖的基于进化的神经模糊任务调度方法，用于共同优化异构 MPSoCs 的主要设计挑战

    提出了一种基于模糊神经网络（FNN）及 NSGA-II 进化多目标算法的在线任务调度和映射方法，以共同优化异构 MPSoC 的主要设计挑战。通过实验验证，该方法优于相关启发式和元启发式方法，可以提高温度，功耗，故障率和执行时间等几个设计指标的优化性能。

    Mar, 2022

  • 分布式机器学习集群中的在线作业调度

    本文针对分布式机器学习系统的调度问题，使用参数服务器框架设计了一种在线算法，以最大化所有作业的整体效用，并在跟踪驱动模拟和实验测试中证明了其优越性。

    Jan, 2018

  • 基于图神经网络和自适应调度的在线计划选择

    论文提出了一种基于图神经网络的候选规划器选择方法，并结合自适应调度策略实现了机器人路径规划等问题的高效解决，相关代码已经开源。

    Nov, 2018

  • 系统级芯片的深度强化学习：神话与现实

    通过与非神经、启发式任务调度器的比较，本文通过广泛实验研究和深度强化学习探究了基于 DRL 的神经调度器在 SoC 资源分配领域的实现可能性，并提出了 Eclectic Interaction Matching 技术以改进现有的神经调度器

    Jul, 2022

  • 具有 GFlowNets 的强健调度

    本研究提出了一种新的调度方法，使用 GFlowNet 方法按比例抽样代理指标，通过在推理时间控制所提出的时间表的差异性和优良性之间的权衡以及将 GFlowNet 条件化为计算图，证明了相对于我们的方法，纯优化基线在目标模型上的性能不佳。

    Jan, 2023

  • 在边缘服务器上调度深度神经网络

    本文研究了如何加速深度神经网络在边缘服务器上处理多个客户端的任务，通过批处理的方式和优化调度算法，使用不同的目标函数把多个请求合并，最终提高了处理效率和性能。

    Apr, 2023

  • 使用强化学习实现公平稳定的 DNN 多租户多加速器系统实时调度

    这篇论文解决了云服务中管理服务质量（QoS）的关键挑战，着重研究了个别租户期望和不同服务水平指标（SLI）的细微差别。它引入了一种新的方法，利用深度强化学习在多租户、多加速器的云环境中进行租户特定的 QoS 管理。所选择的 SLI，即截止时间满足率，允许客户为每个服务请求量身定制服务质量。提出了一种新颖的在线调度算法，针对多加速器系统中的深度神经网络，着重保证租户层面和模型特定的 QoS 水平，并考虑实时约束。

    Feb, 2024

  • 网络敏感深度学习的 GPU 集群调度

    我们提出了一种新颖的 GPU 集群调度器，用于分布式深度学习工作负载，基于 DDL 作业对预期通信网络延迟的敏感性实现了基于邻近性的资源整合，通过经典的延迟调度算法来实现作业的放置和整合，使用数据驱动的 DDL 集群模拟平台进行了大规模实验，证明了我们设计的优势。在拥挤的网络条件下，与现有的基于整合的调度方法相比，我们的调度器可以提供多达 69% 的端到端完成时间的改进，同时将平均作业完成时间降低多达 83%，并将通信开销最小化多达 98%。

    Jan, 2024