arrow
返回

Duration-Informed Workload Scheduler

delete2026-01-01
delete0
PRE
AI
D
Daniela Loreti
D
Davide Leone
A
Andrea Borghesi *
DOI:10.1007/978-3-032-07612-0_1delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

摘要

En 中文
高性能计算系统是复杂的机器,其行为由其众多子系统的正确功能决定。其中,工作负载调度器对连续提交到计算资源的作业的及时执行具有关键影响。做出高质量调度决策取决于在执行前知道提交作业的持续时间,这对用户而言是一项非平凡的任务,可通过机器学习解决。在本工作中,我们设计了一种带有通过机器学习构建的持续时间预测模块的工作负载调度器。我们评估了其有效性,并使用来自Tier-0超级计算机的工作负载跟踪数据展示了其性能,表明所有作业的平均等待时间降低了约11%。更短的等待时间直接关系到从用户角度看的服务质量提升和从系统角度看更高的周转率。
Keyword:
High-Performance Computing
Duration Prediction
Machine Learning

期刊

H
HIGH PERFORMANCE COMPUTING WORKSHOPS, ISC HIGH PERFORMANCE 2025 INTERNATIONAL WORKSHOPS
IF:
0
论文数:
54
被引数:
0

机构

U
university of bologna
学者数:
6.1K
论文数: 2.5K
被引数: 0
引用论文

引用论文

OKCM: improving parallel task scheduling in high-performance computing systems using online learning
err2020-11-13
err0
PREAI
errJingbo Li; Xingjun Zhang; Li Han; Zeyu Ji; Xiaoshe Dong; Chenglong Hu
err分享
err收藏
Algorithm runtime prediction: Methods & evaluation
err2014-01-01
err318
errOAAI
errHutter, Frank; Xu, Lin; Hoos, Holger H.; Leyton-Brown, Kevin
err分享
err收藏
Random Forests随机森林
err
IF0
err2001-01-01
err0
PREAI
errLeo Breiman
err分享
err收藏
M100 ExaData: a data collection campaign on the CINECA’s Marconi100 Tier-0 supercomputer
err2023-05-18
err0
errOAAI
errAndrea Borghesi; Carmine Di Santi; Martin Molan; Mohsen Seyedkazemi Ardebili; Alessio Mauri; Massimiliano Guarrasi; Daniela Galetti; Mirko Cestari; Francesco Barchi; Luca Benini; Francesco Beneventi; Andrea Bartolini
err分享
err收藏
学者 查看更多内容